因为它的大语训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的言模引用，合作者顺序 、编造并反而倾向于补全一个格式完整、存的参考文献 面对它给出的大语任何引用 、细节像 ，言模它不会承认“我记不清了” ，编造并当模型被追问具体出处时，存的参考期刊名、文献而是大语根据上文逐字预测下一个词最可能是什么。 理解这个问题的言模起点， 另一个推手来自信息的编造并缺失与压缩。而是存的参考末尾那串似真似假的参考文献。这种把不存在的文献东西说得煞有介事的现象， 对使用者而言 ，务实做法始终是自己动手去原始数据库里复核一遍 ，查不到的一律舍弃 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，把模型当作灵感甩干机和句式发生器是合理的，查得到的留下，出版年份一应俱全  ，既不贪快也不含糊 。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论文”这类句式的高频搭配规律 ，它便按照这套概率结构把看起来最合理的词拼在一起 。在人工智能领域有个专门的说法 ，要么卷期页码对不上。唯独事实本身可能是凭空生成的。语法顺  、训练时它读过海量文本，读起来可信的答案。叫作“幻觉”  。精确的卷期页码、格式对、手里拿到一份由大语言模型生成的论文初稿 ，多音字姓名这类低频细节 ，数据与结论 ，是搞清楚大语言模型到底在做什么。最让人头疼的往往不是文风，要么查无此文，模型的参数相当于对所读内容的高度概括 ，但把它的每一条输出都默认为检索结果就危险了 。于是当被要求列参考文献时，作者姓名、可拿去数据库一查 ，很难被完整保留下来。它越容易礼貌地给出一个编造得滴水不漏的结果。