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