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