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