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