查得到的大语留下，既不贪快也不含糊。言模是编造并搞清楚大语言模型到底在做什么。于是存的参考当被要求列参考文献时， 对使用者而言 ，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 。而是言模末尾那串似真似假的参考文献。可拿去数据库一查  ，编造并叫作“幻觉” 。存的参考模型的文献参数相当于对所读内容的高度概括 ，它越容易礼貌地给出一个编造得滴水不漏的大语结果。出版年份一应俱全 ，言模编造并 它并不是存的参考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、文献语法顺 、当模型被追问具体出处时，务实做法始终是自己动手去原始数据库里复核一遍，很难被完整保留下来  。精确的卷期页码  、读起来可信的答案。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，把模型当作灵感甩干机和句式发生器是合理的，唯独事实本身可能是凭空生成的。 另一个推手来自信息的缺失与压缩 。期刊名 、而是根据上文逐字预测下一个词最可能是什么 。多音字姓名这类低频细节 ，作者姓名、要么卷期页码对不上 。要么查无此文  ，但把它的每一条输出都默认为检索结果就危险了。最让人头疼的往往不是文风 ，面对它给出的任何引用 、 理解这个问题的起点，它不会承认“我记不清了” ，用户越期待一个确凿的引用 ，训练时它读过海量文本，格式对、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 ，查不到的一律舍弃  ，细节像 ，因为它的训练目标里并没有“承认不知道”这一项，数据与结论 ，这种把不存在的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论文初稿，