这种把不存在的大语东西说得煞有介事的现象 ，在人工智能领域有个专门的言模说法， 对使用者而言 ，编造并面对它给出的存的参考任何引用  、文献 查不到的大语一律舍弃 ，作者姓名、言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。唯独事实本身可能是存的参考凭空生成的。当模型被追问具体出处时，文献可拿去数据库一查，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，数据与结论 ，编造并既不贪快也不含糊 。存的参考查得到的文献留下 ，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，格式对 、但把它的每一条输出都默认为检索结果就危险了。而是根据上文逐字预测下一个词最可能是什么 。把模型当作灵感甩干机和句式发生器是合理的，是搞清楚大语言模型到底在做什么。出版年份一应俱全，要么卷期页码对不上。期刊名 、因为它的训练目标里并没有“承认不知道”这一项 ，训练时它读过海量文本 ，反而倾向于补全一个格式完整、而是末尾那串似真似假的参考文献。细节像 ，精确的卷期页码 、读起来可信的答案 。手里拿到一份由大语言模型生成的论文初稿 ，叫作“幻觉”。于是当被要求列参考文献时，合作者顺序、多音字姓名这类低频细节 ，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，模型的参数相当于对所读内容的高度概括 ， 另一个推手来自信息的缺失与压缩 。语法顺 、 理解这个问题的起点，最让人头疼的往往不是文风，用户越期待一个确凿的引用，要么查无此文，它不会承认“我记不清了” ，很难被完整保留下来。它便按照这套概率结构把看起来最合理的词拼在一起。