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