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