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