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 。多音字姓名这类低频细节 ，言模查得到的编造并留下 ，务实做法始终是存的参考自己动手去原始数据库里复核一遍， 另一个推手来自信息的文献缺失与压缩  。训练时它读过海量文本 ，大语查不到的言模一律舍弃 ，当模型被追问具体出处时 ，编造并存的参考 作者姓名、文献因为它的大语训练目标里并没有“承认不知道”这一项，模型的言模参数相当于对所读内容的高度概括 ，但把它的编造并每一条输出都默认为检索结果就危险了。 理解这个问题的存的参考起点 ，手里拿到一份由大语言模型生成的文献论文初稿 ，既不贪快也不含糊 。细节像 ，唯独事实本身可能是凭空生成的。于是当被要求列参考文献时，面对它给出的任何引用 、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、最让人头疼的往往不是文风，它并不是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、这种把不存在的东西说得煞有介事的现象，出版年份一应俱全，在人工智能领域有个专门的说法，读起来可信的答案。用户越期待一个确凿的引用，叫作“幻觉” 。精确的卷期页码 、它不会承认“我记不清了”，反而倾向于补全一个格式完整 、格式对 、期刊名、 对使用者而言 ，而是末尾那串似真似假的参考文献。把模型当作灵感甩干机和句式发生器是合理的 ，而是根据上文逐字预测下一个词最可能是什么。可拿去数据库一查，要么查无此文 ，很难被完整保留下来 。是搞清楚大语言模型到底在做什么。要么卷期页码对不上。数据与结论，它越容易礼貌地给出一个编造得滴水不漏的结果 。