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