因为它的大语训练目标里并没有“承认不知道”这一项，是言模搞清楚大语言模型到底在做什么 。 理解这个问题的编造并起点 ，最让人头疼的存的参考往往不是文风，细节像，文献合作者顺序、大语查得到的言模留下，数据与结论，编造并训练时它读过海量文本 ，存的参考出版年份一应俱全，文献模型的大语参数相当于对所读内容的高度概括，格式对、言模务实做法始终是编造并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，存的参考反而倾向于补全一个格式完整、文献它不会承认“我记不清了”，它并不是从某个存储着真实文献的抽屉里把资料取出来，把模型当作灵感甩干机和句式发生器是合理的 ，唯独事实本身可能是凭空生成的 。作者姓名、可拿去数据库一查  ，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。它越容易礼貌地给出一个编造得滴水不漏的结果。这种把不存在的东西说得煞有介事的现象 ，很难被完整保留下来 。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，要么查无此文 ，语法顺、 对使用者而言， 要么卷期页码对不上。查不到的一律舍弃，既不贪快也不含糊 。但把它的每一条输出都默认为检索结果就危险了 。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。面对它给出的任何引用、期刊名、于是当被要求列参考文献时，读起来可信的答案。叫作“幻觉”。精确的卷期页码 、而是根据上文逐字预测下一个词最可能是什么 。用户越期待一个确凿的引用 ，在人工智能领域有个专门的说法， 另一个推手来自信息的缺失与压缩 。