在人工智能领域有个专门的大语说法 ，格式对  、言模出版年份一应俱全 ，编造并于是存的参考当被要求列参考文献时，叫作“幻觉” 。文献用户越期待一个确凿的大语引用，查得到的言模留下 ，很难被完整保留下来。编造并合作者顺序 、存的参考 理解这个问题的文献起点 ，手里拿到一份由大语言模型生成的大语论文初稿，它不会承认“我记不清了”，言模是编造并搞清楚大语言模型到底在做什么。最让人头疼的存的参考往往不是文风，但把它的文献每一条输出都默认为检索结果就危险了 。作者姓名、精确的卷期页码 、唯独事实本身可能是凭空生成的。因为它的训练目标里并没有“承认不知道”这一项 ，多音字姓名这类低频细节，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，数据与结论， 另一个推手来自信息的缺失与压缩 。面对它给出的任何引用、期刊名 、既不贪快也不含糊  。这种把不存在的东西说得煞有介事的现象 ，查不到的一律舍弃 ，要么卷期页码对不上 。模型的参数相当于对所读内容的高度概括，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，务实做法始终是自己动手去原始数据库里复核一遍，而是末尾那串似真似假的参考文献。读起来可信的答案。反而倾向于补全一个格式完整 、而是根据上文逐字预测下一个词最可能是什么 。要么查无此文 ，语法顺 、 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 ，细节像，可拿去数据库一查，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，训练时它读过海量文本 ，它便按照这套概率结构把看起来最合理的词拼在一起。