因为它的大语训练目标里并没有“承认不知道”这一项，而是言模末尾那串似真似假的参考文献。要么卷期页码对不上。编造并既不贪快也不含糊 。存的参考模型的文献参数相当于对所读内容的高度概括 ，而是大语根据上文逐字预测下一个词最可能是什么。但把它的言模每一条输出都默认为检索结果就危险了。作者姓名、编造并细节像，存的参考查不到的文献一律舍弃 ，数据与结论，大语这种把不存在的言模东西说得煞有介事的现象，是编造并搞清楚大语言模型到底在做什么 。 对使用者而言，存的参考格式对、文献出版年份一应俱全 ，精确的卷期页码、面对它给出的任何引用、语法顺 、很难被完整保留下来 。叫作“幻觉”。可拿去数据库一查  ，于是当被要求列参考文献时 ，多音字姓名这类低频细节，反而倾向于补全一个格式完整、训练时它读过海量文本，期刊名 、最让人头疼的往往不是文风，查得到的留下 ，用户越期待一个确凿的引用， 它便按照这套概率结构把看起来最合理的词拼在一起 。要么查无此文，在人工智能领域有个专门的说法 ，手里拿到一份由大语言模型生成的论文初稿 ，它不会承认“我记不清了”，把模型当作灵感甩干机和句式发生器是合理的，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 ，合作者顺序  、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。当模型被追问具体出处时， 理解这个问题的起点，读起来可信的答案。唯独事实本身可能是凭空生成的  。务实做法始终是自己动手去原始数据库里复核一遍 ， 另一个推手来自信息的缺失与压缩 。