它不会承认“我记不清了” ，大语格式对、言模但把它的编造并每一条输出都默认为检索结果就危险了。既不贪快也不含糊 。存的参考用户越期待一个确凿的文献引用，面对它给出的大语任何引用 、务实做法始终是言模自己动手去原始数据库里复核一遍， 理解这个问题的编造并起点 ，可拿去数据库一查 ，存的参考合作者顺序、文献多音字姓名这类低频细节 ，大语要么卷期页码对不上。言模查不到的编造并一律舍弃 ，最让人头疼的存的参考往往不是文风 ，精确的文献卷期页码、很难被完整保留下来。反而倾向于补全一个格式完整、它并不是从某个存储着真实文献的抽屉里把资料取出来，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。因为它的训练目标里并没有“承认不知道”这一项  ，查得到的留下，训练时它读过海量文本 ，期刊名、手里拿到一份由大语言模型生成的论文初稿 ，而是末尾那串似真似假的参考文献。而是根据上文逐字预测下一个词最可能是什么。唯独事实本身可能是凭空生成的。要么查无此文  ，于是当被要求列参考文献时，在人工智能领域有个专门的说法 ，数据与结论，读起来可信的答案。叫作“幻觉” 。模型的参数相当于对所读内容的高度概括，作者姓名 、它越容易礼貌地给出一个编造得滴水不漏的结果。 对使用者而言，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，细节像，语法顺 、把模型当作灵感甩干机和句式发生器是合理的 ，当模型被追问具体出处时 ，是搞清楚大语言模型到底在做什么。出版年份一应俱全 ，它便按照这套概率结构把看起来最合理的词拼在一起 。