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