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