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