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