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