它便按照这套概率结构把看起来最合理的大语词拼在一起。合作者顺序、言模多音字姓名这类低频细节 ，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，查不到的文献一律舍弃  ，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大语论文”这类句式的高频搭配规律 ，训练时它读过海量文本，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  。存的参考 手里拿到一份由大语言模型生成的文献论文初稿 ，它不会承认“我记不清了”，大语这种把不存在的言模东西说得煞有介事的现象 ， 对使用者而言 ，编造并最让人头疼的存的参考往往不是文风  ，唯独事实本身可能是文献凭空生成的 。要么卷期页码对不上。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案 。要么查无此文 ，细节像，而是根据上文逐字预测下一个词最可能是什么。反而倾向于补全一个格式完整 、是搞清楚大语言模型到底在做什么。查得到的留下，用户越期待一个确凿的引用 ，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 ，而是末尾那串似真似假的参考文献 。很难被完整保留下来 。 理解这个问题的起点，在人工智能领域有个专门的说法，格式对 、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。数据与结论 ，作者姓名 、出版年份一应俱全 ，叫作“幻觉”。但把它的每一条输出都默认为检索结果就危险了 。面对它给出的任何引用 、可拿去数据库一查 ，因为它的训练目标里并没有“承认不知道”这一项  ，既不贪快也不含糊。期刊名 、语法顺、精确的卷期页码、于是当被要求列参考文献时 ，