它不会承认“我记不清了” ，大语训练时它读过海量文本，言模这种把不存在的编造并东西说得煞有介事的现象 ，用户越期待一个确凿的存的参考引用，它并不是文献从某个存储着真实文献的抽屉里把资料取出来，唯独事实本身可能是大语凭空生成的。它越容易礼貌地给出一个编造得滴水不漏的言模结果。很难被完整保留下来。编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ，模型的文献参数相当于对所读内容的高度概括，要么查无此文 ，大语而是言模末尾那串似真似假的参考文献。务实做法始终是编造并自己动手去原始数据库里复核一遍 ， 对使用者而言，存的参考格式对 、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。语法顺、 叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的，当模型被追问具体出处时  ，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 ，是搞清楚大语言模型到底在做什么  。出版年份一应俱全，既不贪快也不含糊。可拿去数据库一查 ，但把它的每一条输出都默认为检索结果就危险了。多音字姓名这类低频细节，手里拿到一份由大语言模型生成的论文初稿，最让人头疼的往往不是文风，细节像，作者姓名 、读起来可信的答案  。查不到的一律舍弃，数据与结论 ，合作者顺序、期刊名、 理解这个问题的起点，而是根据上文逐字预测下一个词最可能是什么。精确的卷期页码、面对它给出的任何引用、于是当被要求列参考文献时 ，反而倾向于补全一个格式完整 、查得到的留下 ， 另一个推手来自信息的缺失与压缩。在人工智能领域有个专门的说法 ，要么卷期页码对不上 。