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