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