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