唯独事实本身可能是大语凭空生成的 。训练时它读过海量文本，言模这种把不存在的编造并东西说得煞有介事的现象，很难被完整保留下来 。存的参考面对它给出的文献任何引用 、 对使用者而言 ，大语最让人头疼的言模往往不是文风， 理解这个问题的编造并起点 ，既不贪快也不含糊。存的参考读起来可信的文献答案。当模型被追问具体出处时，大语把模型当作灵感甩干机和句式发生器是言模合理的 ，精确的编造并卷期页码、要么查无此文，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 ，出版年份一应俱全  ，要么卷期页码对不上。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，叫作“幻觉” 。是搞清楚大语言模型到底在做什么。在人工智能领域有个专门的说法，查不到的一律舍弃 ，细节像，务实做法始终是自己动手去原始数据库里复核一遍 ，因为它的训练目标里并没有“承认不知道”这一项，期刊名、可拿去数据库一查 ，用户越期待一个确凿的引用，多音字姓名这类低频细节，它不会承认“我记不清了”，合作者顺序  、模型的参数相当于对所读内容的高度概括，查得到的留下，而是末尾那串似真似假的参考文献 。作者姓名 、但把它的每一条输出都默认为检索结果就危险了 。于是当被要求列参考文献时 ， 另一个推手来自信息的缺失与压缩。它越容易礼貌地给出一个编造得滴水不漏的结果 。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，语法顺、 它便按照这套概率结构把看起来最合理的词拼在一起 。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 ，格式对、反而倾向于补全一个格式完整、