理解这个问题的大语起点，它便按照这套概率结构把看起来最合理的言模词拼在一起。它不会承认“我记不清了” ，编造并既不贪快也不含糊 。存的参考这种把不存在的文献东西说得煞有介事的现象 ，细节像，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 ，唯独事实本身可能是编造并凭空生成的 。手里拿到一份由大语言模型生成的存的参考论文初稿 ，而是文献根据上文逐字预测下一个词最可能是什么。期刊名 、大语出版年份一应俱全，言模而是编造并末尾那串似真似假的参考文献 。读起来可信的存的参考答案。它并不是文献从某个存储着真实文献的抽屉里把资料取出来 ，格式对 、把模型当作灵感甩干机和句式发生器是合理的  ，模型的参数相当于对所读内容的高度概括，但把它的每一条输出都默认为检索结果就危险了 。是搞清楚大语言模型到底在做什么。查不到的一律舍弃，数据与结论，当模型被追问具体出处时 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。语法顺 、叫作“幻觉”。查得到的留下 ，最让人头疼的往往不是文风 ， 对使用者而言 ，合作者顺序 、精确的卷期页码、作者姓名、多音字姓名这类低频细节 ，可拿去数据库一查 ，在人工智能领域有个专门的说法，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论文”这类句式的高频搭配规律，于是当被要求列参考文献时 ， 训练时它读过海量文本，要么查无此文，要么卷期页码对不上 。反而倾向于补全一个格式完整、因为它的训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的引用，很难被完整保留下来  。面对它给出的任何引用  、 另一个推手来自信息的缺失与压缩。