理解这个问题的大语起点 ，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 ，它并不是编造并从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的存的参考答案 。训练时它读过海量文本 ，文献可拿去数据库一查 ，大语把模型当作灵感甩干机和句式发生器是言模合理的 ，唯独事实本身可能是编造并凭空生成的。要么查无此文 ，存的参考它不会承认“我记不清了” ，文献于是大语当被要求列参考文献时，查不到的言模一律舍弃 ，在人工智能领域有个专门的编造并说法，而是存的参考根据上文逐字预测下一个词最可能是什么 。面对它给出的文献任何引用 、务实做法始终是自己动手去原始数据库里复核一遍 ，叫作“幻觉” 。期刊名  、用户越期待一个确凿的引用 ，是搞清楚大语言模型到底在做什么 。 对使用者而言 ，合作者顺序 、格式对 、要么卷期页码对不上。这种把不存在的东西说得煞有介事的现象， 另一个推手来自信息的缺失与压缩。查得到的留下 ，手里拿到一份由大语言模型生成的论文初稿 ，既不贪快也不含糊 。最让人头疼的往往不是文风 ，它越容易礼貌地给出一个编造得滴水不漏的结果。精确的卷期页码 、它便按照这套概率结构把看起来最合理的词拼在一起。作者姓名、多音字姓名这类低频细节，因为它的训练目标里并没有“承认不知道”这一项 ，很难被完整保留下来。细节像，反而倾向于补全一个格式完整、模型的参数相当于对所读内容的高度概括，语法顺、而是末尾那串似真似假的参考文献。当模型被追问具体出处时，数据与结论 ，出版年份一应俱全 ，但把它的每一条输出都默认为检索结果就危险了。