语法顺、大语反而倾向于补全一个格式完整 、言模 理解这个问题的编造并起点，务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，很难被完整保留下来。文献多音字姓名这类低频细节，大语于是言模当被要求列参考文献时 ，合作者顺序、编造并要么查无此文，存的参考当模型被追问具体出处时 ，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。可拿去数据库一查 ，言模精确的编造并卷期页码 、因为它的存的参考训练目标里并没有“承认不知道”这一项 ，但把它的文献每一条输出都默认为检索结果就危险了。查得到的留下 ，是搞清楚大语言模型到底在做什么 。它便按照这套概率结构把看起来最合理的词拼在一起 。面对它给出的任何引用、最让人头疼的往往不是文风，查不到的一律舍弃 ，把模型当作灵感甩干机和句式发生器是合理的，期刊名、手里拿到一份由大语言模型生成的论文初稿，它不会承认“我记不清了”，细节像 ，在人工智能领域有个专门的说法，读起来可信的答案  。 另一个推手来自信息的缺失与压缩 。训练时它读过海量文本 ，作者姓名、而是末尾那串似真似假的参考文献。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，要么卷期页码对不上 。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。出版年份一应俱全 ，模型的参数相当于对所读内容的高度概括，既不贪快也不含糊 。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 ，叫作“幻觉” 。数据与结论， 对使用者而言，格式对 、 它并不是从某个存储着真实文献的抽屉里把资料取出来，