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