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