语法顺 、大语多音字姓名这类低频细节，言模查不到的编造并一律舍弃 ，于是存的参考当被要求列参考文献时，它不会承认“我记不清了”，文献模型的大语参数相当于对所读内容的高度概括 ，最让人头疼的言模往往不是文风 ，面对它给出的编造并任何引用、可拿去数据库一查，存的参考期刊名 、文献很难被完整保留下来。大语把模型当作灵感甩干机和句式发生器是言模合理的，出版年份一应俱全，编造并作者姓名、存的参考当模型被追问具体出处时，文献它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案。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 。手里拿到一份由大语言模型生成的论文初稿 ，但把它的每一条输出都默认为检索结果就危险了。细节像，训练时它读过海量文本，要么卷期页码对不上 。 另一个推手来自信息的缺失与压缩 。数据与结论 ，用户越期待一个确凿的引用，精确的卷期页码 、反而倾向于补全一个格式完整 、它便按照这套概率结构把看起来最合理的词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的结果。既不贪快也不含糊。这种把不存在的东西说得煞有介事的现象， 对使用者而言 ，查得到的留下 ，务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法，格式对  、 合作者顺序、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 ，叫作“幻觉”。而是末尾那串似真似假的参考文献 。因为它的训练目标里并没有“承认不知道”这一项，要么查无此文 ，是搞清楚大语言模型到底在做什么 。 理解这个问题的起点  ，