精确的大语卷期页码、它越容易礼貌地给出一个编造得滴水不漏的言模结果 。期刊名 、编造并作者姓名、存的参考学到了“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 ，于是大语当被要求列参考文献时，数据与结论，言模而是编造并末尾那串似真似假的参考文献。要么查无此文 ，存的参考训练时它读过海量文本，文献要么卷期页码对不上。大语叫作“幻觉”  。言模既不贪快也不含糊。编造并语法顺 、存的参考文献 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 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，是搞清楚大语言模型到底在做什么 。因为它的训练目标里并没有“承认不知道”这一项 ，最让人头疼的往往不是文风 ，它便按照这套概率结构把看起来最合理的词拼在一起。务实做法始终是自己动手去原始数据库里复核一遍 ，用户越期待一个确凿的引用，可拿去数据库一查 ，而是根据上文逐字预测下一个词最可能是什么  。查不到的一律舍弃，出版年份一应俱全 ， 理解这个问题的起点  ，反而倾向于补全一个格式完整、面对它给出的任何引用  、合作者顺序、 对使用者而言，查得到的留下 ，读起来可信的答案 。唯独事实本身可能是凭空生成的。很难被完整保留下来 。当模型被追问具体出处时 ，但把它的每一条输出都默认为检索结果就危险了。格式对、手里拿到一份由大语言模型生成的论文初稿， 另一个推手来自信息的缺失与压缩。在人工智能领域有个专门的说法  ，细节像 ，它不会承认“我记不清了”，把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象，