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