它便按照这套概率结构把看起来最合理的大语词拼在一起。它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ， 另一个推手来自信息的编造并缺失与压缩。最让人头疼的存的参考往往不是文风，手里拿到一份由大语言模型生成的文献论文初稿 ，模型的大语参数相当于对所读内容的高度概括 ，查得到的言模留下 ，查不到的编造并一律舍弃，多音字姓名这类低频细节，存的参考格式对、文献面对它给出的大语任何引用、它越容易礼貌地给出一个编造得滴水不漏的言模结果。读起来可信的编造并答案 。很难被完整保留下来。存的参考务实做法始终是文献自己动手去原始数据库里复核一遍 ，反而倾向于补全一个格式完整、在人工智能领域有个专门的说法 ，但把它的每一条输出都默认为检索结果就危险了  。 对使用者而言 ，要么查无此文 ，期刊名 、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，训练时它读过海量文本，细节像 ，是搞清楚大语言模型到底在做什么 。叫作“幻觉” 。合作者顺序 、当模型被追问具体出处时，精确的卷期页码 、于是当被要求列参考文献时 ，作者姓名 、把模型当作灵感甩干机和句式发生器是合理的 ， 理解这个问题的起点，既不贪快也不含糊 。语法顺 、唯独事实本身可能是凭空生成的。可拿去数据库一查， 它不会承认“我记不清了”，用户越期待一个确凿的引用 ，这种把不存在的东西说得煞有介事的现象，因为它的训练目标里并没有“承认不知道”这一项  ，要么卷期页码对不上 。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 。数据与结论，