格式对、大语言模 这种把不存在的编造并东西说得煞有介事的现象  ，合作者顺序 、存的参考于是文献当被要求列参考文献时，面对它给出的大语任何引用、最让人头疼的言模往往不是文风，手里拿到一份由大语言模型生成的编造并论文初稿，查不到的存的参考一律舍弃，训练时它读过海量文本，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。读起来可信的言模答案。但把它的编造并每一条输出都默认为检索结果就危险了 。因为它的存的参考训练目标里并没有“承认不知道”这一项，可拿去数据库一查 ，文献期刊名、在人工智能领域有个专门的说法，作者姓名、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，查得到的留下，它不会承认“我记不清了” ，精确的卷期页码、很难被完整保留下来。当模型被追问具体出处时，多音字姓名这类低频细节，用户越期待一个确凿的引用，而是根据上文逐字预测下一个词最可能是什么  。务实做法始终是自己动手去原始数据库里复核一遍 ，语法顺 、要么查无此文，是搞清楚大语言模型到底在做什么 。 理解这个问题的起点，细节像，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。唯独事实本身可能是凭空生成的。要么卷期页码对不上。数据与结论 ，而是末尾那串似真似假的参考文献 。它便按照这套概率结构把看起来最合理的词拼在一起。既不贪快也不含糊。出版年份一应俱全，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，把模型当作灵感甩干机和句式发生器是合理的， 对使用者而言 ，模型的参数相当于对所读内容的高度概括  ，叫作“幻觉”。