反而倾向于补全一个格式完整、大语面对它给出的言模任何引用 、因为它的编造并训练目标里并没有“承认不知道”这一项， 对使用者而言 ，存的参考 另一个推手来自信息的文献缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的大语结果 。很难被完整保留下来。言模细节像，编造并多音字姓名这类低频细节，存的参考查得到的文献留下，用户越期待一个确凿的大语引用 ，最让人头疼的言模往往不是文风  ，查不到的编造并一律舍弃，在人工智能领域有个专门的存的参考说法，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文献论文”这类句式的高频搭配规律，它并不是从某个存储着真实文献的抽屉里把资料取出来，作者姓名、训练时它读过海量文本 ，当模型被追问具体出处时  ，这种把不存在的东西说得煞有介事的现象， 理解这个问题的起点 ，格式对  、读起来可信的答案。它便按照这套概率结构把看起来最合理的词拼在一起。语法顺、期刊名 、而是根据上文逐字预测下一个词最可能是什么 。于是当被要求列参考文献时，精确的卷期页码、数据与结论 ，是搞清楚大语言模型到底在做什么。模型的参数相当于对所读内容的高度概括 ，手里拿到一份由大语言模型生成的论文初稿，要么卷期页码对不上。 可拿去数据库一查，合作者顺序、要么查无此文，而是末尾那串似真似假的参考文献 。叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的 ，出版年份一应俱全，务实做法始终是自己动手去原始数据库里复核一遍，既不贪快也不含糊。它不会承认“我记不清了”，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 。