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