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