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