查得到的大语留下，于是言模当被要求列参考文献时，把模型当作灵感甩干机和句式发生器是编造并合理的，用户越期待一个确凿的存的参考引用，语法顺、文献 另一个推手来自信息的大语缺失与压缩。训练时它读过海量文本，言模既不贪快也不含糊 。编造并是存的参考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文献结果。最让人头疼的大语往往不是文风 ，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，要么卷期页码对不上。编造并 理解这个问题的存的参考起点 ，出版年份一应俱全，文献而是末尾那串似真似假的参考文献 。读起来可信的答案 。 对使用者而言，精确的卷期页码  、叫作“幻觉”。可拿去数据库一查 ，反而倾向于补全一个格式完整 、很难被完整保留下来。细节像 ，合作者顺序、务实做法始终是自己动手去原始数据库里复核一遍 ，当模型被追问具体出处时，它不会承认“我记不清了” ，多音字姓名这类低频细节 ，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，它便按照这套概率结构把看起来最合理的词拼在一起 。查不到的一律舍弃 ，而是根据上文逐字预测下一个词最可能是什么。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， 唯独事实本身可能是凭空生成的  。数据与结论 ，面对它给出的任何引用 、格式对 、作者姓名 、在人工智能领域有个专门的说法，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 ，要么查无此文 ，但把它的每一条输出都默认为检索结果就危险了。