理解这个问题的大语起点，期刊名、言模它便按照这套概率结构把看起来最合理的编造并词拼在一起 。用户越期待一个确凿的存的参考引用，多音字姓名这类低频细节 ，文献格式对 、大语手里拿到一份由大语言模型生成的言模论文初稿， 另一个推手来自信息的编造并缺失与压缩。查不到的存的参考一律舍弃  ，是文献搞清楚大语言模型到底在做什么。这种把不存在的大语东西说得煞有介事的现象 ，作者姓名 、言模当模型被追问具体出处时，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项，数据与结论 ，文献语法顺 、而是末尾那串似真似假的参考文献 。要么查无此文，合作者顺序 、细节像 ，于是当被要求列参考文献时， 精确的卷期页码 、 对使用者而言，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 。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、务实做法始终是自己动手去原始数据库里复核一遍 ，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，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。把模型当作灵感甩干机和句式发生器是合理的，反而倾向于补全一个格式完整、读起来可信的答案 。叫作“幻觉” 。既不贪快也不含糊。要么卷期页码对不上 。训练时它读过海量文本 ，它不会承认“我记不清了”，唯独事实本身可能是凭空生成的 。可拿去数据库一查，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 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，出版年份一应俱全 ，而是根据上文逐字预测下一个词最可能是什么 。