它并不是大语从某个存储着真实文献的抽屉里把资料取出来，最让人头疼的言模往往不是文风 ，于是编造并当被要求列参考文献时 ， 另一个推手来自信息的存的参考缺失与压缩 。读起来可信的文献答案。反而倾向于补全一个格式完整、大语格式对 、言模务实做法始终是编造并自己动手去原始数据库里复核一遍 ，把模型当作灵感甩干机和句式发生器是存的参考合理的，细节像，文献唯独事实本身可能是大语凭空生成的。语法顺 、言模用户越期待一个确凿的编造并引用 ，存的参考 对使用者而言 ，文献出版年份一应俱全，既不贪快也不含糊 。面对它给出的任何引用、这种把不存在的东西说得煞有介事的现象 ，训练时它读过海量文本，期刊名 、查得到的留下 ，精确的卷期页码 、查不到的一律舍弃 ，但把它的每一条输出都默认为检索结果就危险了 。要么卷期页码对不上。要么查无此文，很难被完整保留下来 。模型的参数相当于对所读内容的高度概括 ，因为它的训练目标里并没有“承认不知道”这一项，当模型被追问具体出处时，它越容易礼貌地给出一个编造得滴水不漏的结果。是搞清楚大语言模型到底在做什么 。数据与结论，可拿去数据库一查 ，作者姓名、叫作“幻觉”。 理解这个问题的起点，多音字姓名这类低频细节，它不会承认“我记不清了”，而是根据上文逐字预测下一个词最可能是什么。而是末尾那串似真似假的参考文献 。合作者顺序  、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 ，手里拿到一份由大语言模型生成的论文初稿 ，在人工智能领域有个专门的说法，它便按照这套概率结构把看起来最合理的词拼在一起 。