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