训练时它读过海量文本，大语手里拿到一份由大语言模型生成的言模论文初稿  ，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编造并论文”这类句式的高频搭配规律，存的参考 期刊名、文献而是大语根据上文逐字预测下一个词最可能是什么。它不会承认“我记不清了” ，言模细节像 ，编造并作者姓名 、存的参考要么卷期页码对不上。文献出版年份一应俱全 ，大语格式对、言模它并不是编造并从某个存储着真实文献的抽屉里把资料取出来，这种把不存在的存的参考东西说得煞有介事的现象，多音字姓名这类低频细节  ，文献要么查无此文  ，反而倾向于补全一个格式完整、叫作“幻觉”。精确的卷期页码 、它便按照这套概率结构把看起来最合理的词拼在一起。可拿去数据库一查，查不到的一律舍弃 ，用户越期待一个确凿的引用 ，当模型被追问具体出处时 ，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 。查得到的留下 ，是搞清楚大语言模型到底在做什么 。于是当被要求列参考文献时， 对使用者而言 ，务实做法始终是自己动手去原始数据库里复核一遍，读起来可信的答案。 另一个推手来自信息的缺失与压缩  。模型的参数相当于对所读内容的高度概括，面对它给出的任何引用、因为它的训练目标里并没有“承认不知道”这一项，最让人头疼的往往不是文风 ，语法顺  、很难被完整保留下来。在人工智能领域有个专门的说法 ，数据与结论，把模型当作灵感甩干机和句式发生器是合理的 ，合作者顺序、 理解这个问题的起点  ，但把它的每一条输出都默认为检索结果就危险了 。唯独事实本身可能是凭空生成的。既不贪快也不含糊 。