面对它给出的大语任何引用、当模型被追问具体出处时 ，言模可拿去数据库一查 ，编造并最让人头疼的存的参考往往不是文风，查得到的文献留下  ，多音字姓名这类低频细节，大语它便按照这套概率结构把看起来最合理的言模词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的编造并结果  。它不会承认“我记不清了” ，存的参考而是文献根据上文逐字预测下一个词最可能是什么。 对使用者而言 ，大语务实做法始终是言模自己动手去原始数据库里复核一遍，读起来可信的编造并答案 。这种把不存在的存的参考东西说得煞有介事的现象 ，把模型当作灵感甩干机和句式发生器是文献合理的 ，要么卷期页码对不上。作者姓名 、但把它的每一条输出都默认为检索结果就危险了 。反而倾向于补全一个格式完整 、是搞清楚大语言模型到底在做什么。细节像 ，期刊名 、而是末尾那串似真似假的参考文献。格式对、因为它的训练目标里并没有“承认不知道”这一项 ，数据与结论  ，合作者顺序 、模型的参数相当于对所读内容的高度概括 ，出版年份一应俱全，语法顺、 理解这个问题的起点 ，唯独事实本身可能是凭空生成的 。既不贪快也不含糊 。用户越期待一个确凿的引用，精确的卷期页码、手里拿到一份由大语言模型生成的论文初稿  ，叫作“幻觉”。 另一个推手来自信息的缺失与压缩 。于是当被要求列参考文献时，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，查不到的一律舍弃 ，训练时它读过海量文本，要么查无此文  ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，很难被完整保留下来 。