有人让模型整理某主题的参考文献，返回的条目格式齐整，作者、年份、刊名、页码一应俱全，连标识码都长得像真的。逐条去查，有几条查不到。它没有胡言乱语的语气，偏偏是最像真的那部分出了问题。
错得流畅，是因为它在预测“像不像”
模型逐字往下写，训练目标偏向让下一段文字在上下文里显得合理。合理与真实高度相关，但不重合。当它没有相应依据时，空缺会被最符合语言习惯的内容填上——这就是模型幻觉的生成土壤：它并不是在撒谎，更像是把“通顺”当成了“正确”。
这也解释了幻觉为什么常出现在细节上：人名、日期、编号、条款序号。整体论述也许站得住，边缘的碎片却经不起核对。
有些错，不该记在幻觉账上
并非所有错误都属于模型幻觉。知识截止导致的信息过期、提问本身含糊、必须有实时数据才能回答的问题，属于另外几类。把它们混为一谈，改进方向就会失焦：该补检索的去做微调，该澄清需求的去怪模型。
还有一种更微妙的情况：问得越具体，模型越倾向于给出具体答案，哪怕它并没有依据。这种“配合”由训练方式和产品设计共同塑造，靠一句提示词很难完全扭转。
让它说“不确定”，比让它更聪明更难
抑制幻觉的常见做法是给它外部材料，要求基于给定文本作答，并允许它说找不到。技术上这不算复杂，难在产品层面：一个频繁回答“我不确定”的助手，短期体验并不讨喜。于是不少系统选择把不确定性藏起来，用流畅的语气盖过去。
另一条路是在把核对成本交给读者之前先把它降下来——引用可回溯、结论标注来源、把推断和事实分开放。这些做法不会消灭模型幻觉，但能让它在被阅读时更容易被发现。
填缝能力也有它的另一面
写文案、头脑风暴、起名字这类任务里，补全空缺恰恰是价值所在。那里没有唯一正确答案，通顺的联想就是产出。判断标准随场景变化，同一个特性在不同任务里可以是缺陷，也可以是功能。
所以真正该问的不是“能不能彻底消除”，而是“在这个场景里，错了会怎样”。这个问题的答案，决定了要投入多少核对，也决定了哪些环节不该交给它。
回到那份参考文献。它提醒的事情很朴素：流畅是一种表达质量，不是一种证据。把这两件事分开看，使用模型时的许多困惑会清楚不少。