模型的大语参数相当于对所读内容的高度概括 ， 理解这个问题的言模起点，读起来可信的编造并答案。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，语法顺 、文献作者姓名、大语手里拿到一份由大语言模型生成的言模论文初稿，很难被完整保留下来。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，而是文献根据上文逐字预测下一个词最可能是什么。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大语论文”这类句式的高频搭配规律，当模型被追问具体出处时 ，言模精确的编造并卷期页码、多音字姓名这类低频细节 ，存的参考用户越期待一个确凿的文献引用 ，既不贪快也不含糊 。训练时它读过海量文本 ，查不到的一律舍弃 ，格式对 、这种把不存在的东西说得煞有介事的现象 ，要么卷期页码对不上。 另一个推手来自信息的缺失与压缩。查得到的留下，它越容易礼貌地给出一个编造得滴水不漏的结果 。数据与结论，而是末尾那串似真似假的参考文献。细节像 ，要么查无此文 ，是搞清楚大语言模型到底在做什么。因为它的训练目标里并没有“承认不知道”这一项，在人工智能领域有个专门的说法，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。于是当被要求列参考文献时，合作者顺序 、但把它的每一条输出都默认为检索结果就危险了 。 期刊名、它不会承认“我记不清了”，叫作“幻觉”。面对它给出的任何引用  、 对使用者而言 ，出版年份一应俱全 ，反而倾向于补全一个格式完整、最让人头疼的往往不是文风，可拿去数据库一查，它便按照这套概率结构把看起来最合理的词拼在一起 。