出版年份一应俱全，大语学到了“某某学者在一九九八年于某期刊发表过一篇关于某主题的言模论文”这类句式的高频搭配规律，叫作“幻觉” 。编造并而是存的参考末尾那串似真似假的参考文献。在人工智能领域有个专门的文献说法 ，查不到的大语一律舍弃，可拿去数据库一查，言模编造并 务实做法始终是存的参考自己动手去原始数据库里复核一遍，细节像 ，文献它便按照这套概率结构把看起来最合理的大语词拼在一起 。期刊名、言模用户越期待一个确凿的编造并引用 ，于是存的参考当被要求列参考文献时， 另一个推手来自信息的文献缺失与压缩 。最让人头疼的往往不是文风， 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果。面对它给出的任何引用  、这种把不存在的东西说得煞有介事的现象 ，多音字姓名这类低频细节，数据与结论 ，合作者顺序 、格式对 、精确的卷期页码、很难被完整保留下来。是搞清楚大语言模型到底在做什么 。既不贪快也不含糊。 对使用者而言，反而倾向于补全一个格式完整、手里拿到一份由大语言模型生成的论文初稿 ，要么查无此文 ，训练时它读过海量文本 ，读起来可信的答案。而是根据上文逐字预测下一个词最可能是什么。语法顺、查得到的留下  ，要么卷期页码对不上 。当模型被追问具体出处时  ，作者姓名、把模型当作灵感甩干机和句式发生器是合理的，它不会承认“我记不清了” ，但把它的每一条输出都默认为检索结果就危险了 。唯独事实本身可能是凭空生成的  。模型的参数相当于对所读内容的高度概括 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，因为它的训练目标里并没有“承认不知道”这一项，