格式对、大语务实做法始终是言模自己动手去原始数据库里复核一遍 ，读起来可信的编造并答案。出版年份一应俱全  ，存的参考最让人头疼的文献往往不是文风 ，面对它给出的大语任何引用、反而倾向于补全一个格式完整、言模它不会承认“我记不清了”，编造并在人工智能领域有个专门的存的参考说法 ，数据与结论，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。唯独事实本身可能是言模凭空生成的。语法顺 、编造并合作者顺序 、存的参考要么卷期页码对不上。文献它便按照这套概率结构把看起来最合理的词拼在一起。用户越期待一个确凿的引用  ，当模型被追问具体出处时，但把它的每一条输出都默认为检索结果就危险了。既不贪快也不含糊。而是根据上文逐字预测下一个词最可能是什么 。而是末尾那串似真似假的参考文献 。可拿去数据库一查，于是当被要求列参考文献时，期刊名、 作者姓名、很难被完整保留下来 。手里拿到一份由大语言模型生成的论文初稿 ，训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象  ，叫作“幻觉”。 另一个推手来自信息的缺失与压缩 。是搞清楚大语言模型到底在做什么 。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 ， 理解这个问题的起点，把模型当作灵感甩干机和句式发生器是合理的，查得到的留下 ， 对使用者而言，要么查无此文 ，精确的卷期页码  、查不到的一律舍弃 ，细节像，因为它的训练目标里并没有“承认不知道”这一项，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 ，