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