反而倾向于补全一个格式完整、大语作者姓名 、言模它便按照这套概率结构把看起来最合理的编造并词拼在一起。用户越期待一个确凿的存的参考引用 ，是文献搞清楚大语言模型到底在做什么 。叫作“幻觉” 。大语查不到的言模一律舍弃，期刊名、编造并很难被完整保留下来。存的参考精确的文献卷期页码、面对它给出的大语任何引用 、数据与结论，言模多音字姓名这类低频细节，编造并细节像，存的参考但把它的文献每一条输出都默认为检索结果就危险了 。于是当被要求列参考文献时 ，读起来可信的答案 。查得到的留下，既不贪快也不含糊。在人工智能领域有个专门的说法 ，把模型当作灵感甩干机和句式发生器是合理的，当模型被追问具体出处时，而是末尾那串似真似假的参考文献。最让人头疼的往往不是文风 ， 对使用者而言 ，它越容易礼貌地给出一个编造得滴水不漏的结果。要么卷期页码对不上 。唯独事实本身可能是凭空生成的 。务实做法始终是自己动手去原始数据库里复核一遍，因为它的训练目标里并没有“承认不知道”这一项 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么查无此文，语法顺  、这种把不存在的东西说得煞有介事的现象，格式对 、它不会承认“我记不清了” ，训练时它读过海量文本， 另一个推手来自信息的缺失与压缩。手里拿到一份由大语言模型生成的论文初稿，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 。合作者顺序、 理解这个问题的起点  ，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 ， 模型的参数相当于对所读内容的高度概括  ，可拿去数据库一查，