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