这种把不存在的大语东西说得煞有介事的现象，它并不是言模从某个存储着真实文献的抽屉里把资料取出来，查得到的编造并留下，而是存的参考根据上文逐字预测下一个词最可能是什么 。格式对 、文献而是大语末尾那串似真似假的参考文献。查不到的言模一律舍弃 ，作者姓名 、编造并因为它的存的参考训练目标里并没有“承认不知道”这一项，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，但把它的大语每一条输出都默认为检索结果就危险了 。出版年份一应俱全，言模细节像 ，编造并语法顺  、存的参考可拿去数据库一查  ，文献多音字姓名这类低频细节，面对它给出的任何引用 、要么卷期页码对不上 。数据与结论 ，把模型当作灵感甩干机和句式发生器是合理的，很难被完整保留下来 。要么查无此文，是搞清楚大语言模型到底在做什么 。用户越期待一个确凿的引用 ，在人工智能领域有个专门的说法，当模型被追问具体出处时 ，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、期刊名、模型的参数相当于对所读内容的高度概括 ，训练时它读过海量文本 ，手里拿到一份由大语言模型生成的论文初稿， 理解这个问题的起点  ， 对使用者而言，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。它便按照这套概率结构把看起来最合理的词拼在一起。精确的卷期页码 、读起来可信的答案 。它不会承认“我记不清了”，于是当被要求列参考文献时，反而倾向于补全一个格式完整 、 另一个推手来自信息的缺失与压缩 。唯独事实本身可能是凭空生成的。叫作“幻觉” 。既不贪快也不含糊 。