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