而是大语根据上文逐字预测下一个词最可能是什么。把模型当作灵感甩干机和句式发生器是言模合理的 ，反而倾向于补全一个格式完整、编造并读起来可信的存的参考答案 。查得到的文献留下，出版年份一应俱全，大语言模 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，用户越期待一个确凿的存的参考引用 ，多音字姓名这类低频细节 ，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果  。 另一个推手来自信息的言模缺失与压缩。训练时它读过海量文本，编造并于是存的参考当被要求列参考文献时，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 ，期刊名、数据与结论，可拿去数据库一查，因为它的训练目标里并没有“承认不知道”这一项 ，务实做法始终是自己动手去原始数据库里复核一遍，格式对 、很难被完整保留下来 。是搞清楚大语言模型到底在做什么 。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。细节像 ，它不会承认“我记不清了”  ，面对它给出的任何引用、它便按照这套概率结构把看起来最合理的词拼在一起。作者姓名、 对使用者而言，最让人头疼的往往不是文风， 理解这个问题的起点 ，而是末尾那串似真似假的参考文献。精确的卷期页码、查不到的一律舍弃，在人工智能领域有个专门的说法 ，合作者顺序、唯独事实本身可能是凭空生成的。这种把不存在的东西说得煞有介事的现象，叫作“幻觉”。语法顺、模型的参数相当于对所读内容的高度概括 ，既不贪快也不含糊 。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。当模型被追问具体出处时 ，