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