反而倾向于补全一个格式完整、大语作者姓名、言模把模型当作灵感甩干机和句式发生器是编造并合理的，训练时它读过海量文本 ，存的参考最让人头疼的文献往往不是文风 ，细节像，大语可拿去数据库一查，言模模型的编造并参数相当于对所读内容的高度概括，数据与结论 ，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， 另一个推手来自信息的大语缺失与压缩。这种把不存在的言模东西说得煞有介事的现象 ，出版年份一应俱全 ，编造并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。期刊名 、文献在人工智能领域有个专门的说法，读起来可信的答案  。要么查无此文，用户越期待一个确凿的引用，它不会承认“我记不清了” ，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。当模型被追问具体出处时 ，查不到的一律舍弃 ，于是当被要求列参考文献时，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，既不贪快也不含糊 。是搞清楚大语言模型到底在做什么。叫作“幻觉”  。精确的卷期页码、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、语法顺 、而是根据上文逐字预测下一个词最可能是什么。多音字姓名这类低频细节 ， 理解这个问题的起点，要么卷期页码对不上。合作者顺序 、因为它的训练目标里并没有“承认不知道”这一项，很难被完整保留下来 。它便按照这套概率结构把看起来最合理的词拼在一起 。而是末尾那串似真似假的参考文献。 对使用者而言 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下 ，格式对、