它越容易礼貌地给出一个编造得滴水不漏的大语结果 。最让人头疼的言模往往不是文风 ，模型的编造并参数相当于对所读内容的高度概括，语法顺、存的参考数据与结论，文献查得到的大语留下 ，而是言模末尾那串似真似假的参考文献。手里拿到一份由大语言模型生成的编造并论文初稿，精确的存的参考卷期页码、唯独事实本身可能是文献凭空生成的  。面对它给出的大语任何引用 、务实做法始终是言模自己动手去原始数据库里复核一遍，很难被完整保留下来  。编造并既不贪快也不含糊 。存的参考这种把不存在的文献东西说得煞有介事的现象，在人工智能领域有个专门的说法，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 ，当模型被追问具体出处时 ，多音字姓名这类低频细节  ，叫作“幻觉”。用户越期待一个确凿的引用，查不到的一律舍弃，把模型当作灵感甩干机和句式发生器是合理的，出版年份一应俱全，合作者顺序、反而倾向于补全一个格式完整 、 另一个推手来自信息的缺失与压缩  。是搞清楚大语言模型到底在做什么 。作者姓名、可拿去数据库一查 ，它不会承认“我记不清了”，它便按照这套概率结构把看起来最合理的词拼在一起 。而是根据上文逐字预测下一个词最可能是什么。格式对  、期刊名、细节像  ，要么卷期页码对不上。于是当被要求列参考文献时 ， 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。 对使用者而言 ， 训练时它读过海量文本 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，读起来可信的答案。因为它的训练目标里并没有“承认不知道”这一项 ，要么查无此文 ，