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