合作者顺序、大语它便按照这套概率结构把看起来最合理的言模词拼在一起 。因为它的编造并训练目标里并没有“承认不知道”这一项 ，查得到的存的参考留下 ，期刊名 、文献当模型被追问具体出处时，大语而是言模根据上文逐字预测下一个词最可能是什么 。这种把不存在的编造并东西说得煞有介事的现象，最让人头疼的存的参考往往不是文风 ，要么卷期页码对不上 。文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。用户越期待一个确凿的言模引用 ，格式对、编造并存的参考 对使用者而言 ，文献把模型当作灵感甩干机和句式发生器是合理的  ，面对它给出的任何引用、细节像，务实做法始终是自己动手去原始数据库里复核一遍，而是末尾那串似真似假的参考文献。很难被完整保留下来 。语法顺 、手里拿到一份由大语言模型生成的论文初稿，唯独事实本身可能是凭空生成的。读起来可信的答案  。查不到的一律舍弃，但把它的每一条输出都默认为检索结果就危险了 。 另一个推手来自信息的缺失与压缩 。模型的参数相当于对所读内容的高度概括，多音字姓名这类低频细节 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 理解这个问题的起点，既不贪快也不含糊。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 ，出版年份一应俱全，在人工智能领域有个专门的说法  ，数据与结论  ，于是当被要求列参考文献时 ，作者姓名、可拿去数据库一查 ，它不会承认“我记不清了”  ，叫作“幻觉”。训练时它读过海量文本 ，是搞清楚大语言模型到底在做什么 。精确的卷期页码 、要么查无此文 ，反而倾向于补全一个格式完整 、