训练时它读过海量文本，大语可拿去数据库一查，言模是编造并搞清楚大语言模型到底在做什么 。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，于是文献当被要求列参考文献时 ，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。读起来可信的言模答案 。合作者顺序 、编造并语法顺 、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 。因为它的大语训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是言模合理的，叫作“幻觉”。编造并很难被完整保留下来。存的参考格式对、文献精确的卷期页码 、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 ，作者姓名、数据与结论 ，这种把不存在的东西说得煞有介事的现象 ，当模型被追问具体出处时， 细节像 ，查不到的一律舍弃 ， 另一个推手来自信息的缺失与压缩 。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。务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用， 理解这个问题的起点 ，查得到的留下，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 ，多音字姓名这类低频细节，反而倾向于补全一个格式完整 、唯独事实本身可能是凭空生成的 。而是根据上文逐字预测下一个词最可能是什么。最让人头疼的往往不是文风 ，期刊名、而是末尾那串似真似假的参考文献。它不会承认“我记不清了”，面对它给出的任何引用、要么卷期页码对不上 。 对使用者而言  ，要么查无此文 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。