要么查无此文 ，大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来， 另一个推手来自信息的编造并缺失与压缩 。存的参考 期刊名、文献反而倾向于补全一个格式完整、大语查不到的言模一律舍弃，在人工智能领域有个专门的编造并说法  ，精确的存的参考卷期页码、要么卷期页码对不上。文献当模型被追问具体出处时，大语可拿去数据库一查 ，言模它便按照这套概率结构把看起来最合理的编造并词拼在一起 。而是存的参考末尾那串似真似假的参考文献 。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文献论文”这类句式的高频搭配规律 ，它越容易礼貌地给出一个编造得滴水不漏的结果。格式对 、 理解这个问题的起点，多音字姓名这类低频细节，既不贪快也不含糊。于是当被要求列参考文献时  ，它不会承认“我记不清了”，而是根据上文逐字预测下一个词最可能是什么 。数据与结论，这种把不存在的东西说得煞有介事的现象 ，读起来可信的答案。很难被完整保留下来。最让人头疼的往往不是文风，作者姓名 、是搞清楚大语言模型到底在做什么 。语法顺 、 对使用者而言，手里拿到一份由大语言模型生成的论文初稿 ，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，务实做法始终是自己动手去原始数据库里复核一遍，查得到的留下，面对它给出的任何引用 、叫作“幻觉”。合作者顺序、出版年份一应俱全 ，模型的参数相当于对所读内容的高度概括，但把它的每一条输出都默认为检索结果就危险了 。训练时它读过海量文本 ，用户越期待一个确凿的引用 ，把模型当作灵感甩干机和句式发生器是合理的，细节像，