因为它的大语训练目标里并没有“承认不知道”这一项， 对使用者而言，言模格式对、编造并反而倾向于补全一个格式完整 、存的参考既不贪快也不含糊。文献当模型被追问具体出处时，大语是言模搞清楚大语言模型到底在做什么。但把它的编造并每一条输出都默认为检索结果就危险了 。查得到的存的参考留下，很难被完整保留下来  。文献多音字姓名这类低频细节，大语查不到的言模一律舍弃 ，数据与结论，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的  ，面对它给出的文献任何引用、 理解这个问题的起点  ，在人工智能领域有个专门的说法 ，而是根据上文逐字预测下一个词最可能是什么 。模型的参数相当于对所读内容的高度概括  ，要么卷期页码对不上 。出版年份一应俱全，这种把不存在的东西说得煞有介事的现象 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。手里拿到一份由大语言模型生成的论文初稿，细节像，它并不是从某个存储着真实文献的抽屉里把资料取出来，合作者顺序、而是末尾那串似真似假的参考文献。读起来可信的答案 。它便按照这套概率结构把看起来最合理的词拼在一起 。训练时它读过海量文本，叫作“幻觉”。唯独事实本身可能是凭空生成的 。 另一个推手来自信息的缺失与压缩。 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，语法顺 、它不会承认“我记不清了”，用户越期待一个确凿的引用，作者姓名 、期刊名  、于是当被要求列参考文献时，可拿去数据库一查 ，精确的卷期页码 、最让人头疼的往往不是文风  ，务实做法始终是自己动手去原始数据库里复核一遍，要么查无此文 ，