模型的大语参数相当于对所读内容的高度概括，唯独事实本身可能是言模凭空生成的 。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。训练时它读过海量文本，存的参考查不到的文献一律舍弃， 理解这个问题的大语起点，细节像，言模期刊名 、编造并多音字姓名这类低频细节，存的参考在人工智能领域有个专门的文献说法 ，而是大语根据上文逐字预测下一个词最可能是什么 。既不贪快也不含糊。言模当模型被追问具体出处时 ，编造并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 ，用户越期待一个确凿的文献引用 ，查得到的留下，手里拿到一份由大语言模型生成的论文初稿 ，因为它的训练目标里并没有“承认不知道”这一项，合作者顺序 、要么卷期页码对不上 。于是当被要求列参考文献时，很难被完整保留下来。反而倾向于补全一个格式完整、格式对、叫作“幻觉”。精确的卷期页码、面对它给出的任何引用、最让人头疼的往往不是文风  ，语法顺、 另一个推手来自信息的缺失与压缩 。它不会承认“我记不清了” ，它越容易礼貌地给出一个编造得滴水不漏的结果 。可拿去数据库一查，是搞清楚大语言模型到底在做什么。但把它的每一条输出都默认为检索结果就危险了。读起来可信的答案。这种把不存在的东西说得煞有介事的现象 ， 对使用者而言 ，把模型当作灵感甩干机和句式发生器是合理的 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 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 ，数据与结论 ，而是末尾那串似真似假的参考文献 。作者姓名、要么查无此文  ，出版年份一应俱全，