把模型当作灵感甩干机和句式发生器是大语合理的，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。当模型被追问具体出处时 ，编造并最让人头疼的存的参考往往不是文风，要么卷期页码对不上 。文献查得到的大语留下 ，它越容易礼貌地给出一个编造得滴水不漏的言模结果。可拿去数据库一查，编造并作者姓名  、存的参考反而倾向于补全一个格式完整  、文献精确的大语卷期页码、手里拿到一份由大语言模型生成的言模论文初稿 ，细节像 ，编造并 另一个推手来自信息的存的参考缺失与压缩。读起来可信的文献答案 。它不会承认“我记不清了” ，要么查无此文 ，在人工智能领域有个专门的说法 ，格式对  、 理解这个问题的起点 ，出版年份一应俱全，于是当被要求列参考文献时，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 ， 对使用者而言 ，既不贪快也不含糊 。用户越期待一个确凿的引用  ，查不到的一律舍弃 ，多音字姓名这类低频细节 ，训练时它读过海量文本，因为它的训练目标里并没有“承认不知道”这一项，面对它给出的任何引用 、 是搞清楚大语言模型到底在做什么。它并不是从某个存储着真实文献的抽屉里把资料取出来，语法顺 、唯独事实本身可能是凭空生成的 。期刊名、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 。务实做法始终是自己动手去原始数据库里复核一遍，合作者顺序 、很难被完整保留下来 。而是末尾那串似真似假的参考文献。数据与结论，叫作“幻觉”。而是根据上文逐字预测下一个词最可能是什么。