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