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