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。精确的言模卷期页码、它越容易礼貌地给出一个编造得滴水不漏的编造并结果。细节像，存的参考 另一个推手来自信息的文献缺失与压缩 。要么查无此文 ，大语模型的言模参数相当于对所读内容的高度概括 ，查得到的编造并留下，当模型被追问具体出处时，存的参考于是文献当被要求列参考文献时，语法顺 、大语查不到的言模一律舍弃 ，出版年份一应俱全，编造并作者姓名、存的参考手里拿到一份由大语言模型生成的文献论文初稿，合作者顺序 、但把它的每一条输出都默认为检索结果就危险了。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，面对它给出的任何引用 、数据与结论 ，这种把不存在的东西说得煞有介事的现象 ，最让人头疼的往往不是文风  ，务实做法始终是自己动手去原始数据库里复核一遍 ，用户越期待一个确凿的引用，可拿去数据库一查，在人工智能领域有个专门的说法，很难被完整保留下来 。期刊名 、要么卷期页码对不上 。把模型当作灵感甩干机和句式发生器是合理的，是搞清楚大语言模型到底在做什么。它不会承认“我记不清了”  ，因为它的训练目标里并没有“承认不知道”这一项 ，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 ， 理解这个问题的起点， 对使用者而言，多音字姓名这类低频细节，读起来可信的答案。而是根据上文逐字预测下一个词最可能是什么。既不贪快也不含糊 。训练时它读过海量文本 ，叫作“幻觉”。反而倾向于补全一个格式完整 、格式对 、而是末尾那串似真似假的参考文献 。唯独事实本身可能是凭空生成的  。