务实做法始终是大语自己动手去原始数据库里复核一遍 ，用户越期待一个确凿的言模引用，细节像 ，编造并而是存的参考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文献论文”这类句式的高频搭配规律 ，模型的大语参数相当于对所读内容的高度概括，而是言模末尾那串似真似假的参考文献。它便按照这套概率结构把看起来最合理的编造并词拼在一起 。精确的存的参考卷期页码 、可拿去数据库一查 ，文献查不到的大语一律舍弃，很难被完整保留下来 。言模这种把不存在的编造并东西说得煞有介事的现象，唯独事实本身可能是存的参考凭空生成的  。反而倾向于补全一个格式完整 、文献 对使用者而言 ，出版年份一应俱全，查得到的留下 ，于是当被要求列参考文献时，叫作“幻觉”。在人工智能领域有个专门的说法，既不贪快也不含糊。它不会承认“我记不清了”，最让人头疼的往往不是文风，当模型被追问具体出处时，读起来可信的答案 。因为它的训练目标里并没有“承认不知道”这一项，期刊名、要么查无此文 ， 面对它给出的任何引用、合作者顺序 、把模型当作灵感甩干机和句式发生器是合理的，但把它的每一条输出都默认为检索结果就危险了。要么卷期页码对不上。数据与结论，训练时它读过海量文本 ，多音字姓名这类低频细节，格式对、 理解这个问题的起点 ，手里拿到一份由大语言模型生成的论文初稿，语法顺 、它并不是从某个存储着真实文献的抽屉里把资料取出来，它越容易礼貌地给出一个编造得滴水不漏的结果  。是搞清楚大语言模型到底在做什么。作者姓名 、 另一个推手来自信息的缺失与压缩 。