细节像 ，大语因为它的言模训练目标里并没有“承认不知道”这一项 ，它不会承认“我记不清了”，编造并多音字姓名这类低频细节，存的参考格式对、文献可拿去数据库一查，大语读起来可信的言模答案。要么卷期页码对不上。编造并查得到的存的参考留下  ，叫作“幻觉”。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 。期刊名 、言模用户越期待一个确凿的编造并引用，精确的存的参考卷期页码、而是文献末尾那串似真似假的参考文献。务实做法始终是自己动手去原始数据库里复核一遍，训练时它读过海量文本，而是根据上文逐字预测下一个词最可能是什么 。反而倾向于补全一个格式完整、在人工智能领域有个专门的说法 ，查不到的一律舍弃，作者姓名、合作者顺序 、这种把不存在的东西说得煞有介事的现象，最让人头疼的往往不是文风 ， 对使用者而言，把模型当作灵感甩干机和句式发生器是合理的 ，数据与结论，唯独事实本身可能是凭空生成的。既不贪快也不含糊 。面对它给出的任何引用、模型的参数相当于对所读内容的高度概括，很难被完整保留下来。当模型被追问具体出处时 ，它便按照这套概率结构把看起来最合理的词拼在一起。 另一个推手来自信息的缺失与压缩。 理解这个问题的起点，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，出版年份一应俱全 ，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， 语法顺、手里拿到一份由大语言模型生成的论文初稿，于是当被要求列参考文献时，是搞清楚大语言模型到底在做什么 。但把它的每一条输出都默认为检索结果就危险了 。