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