多音字姓名这类低频细节 ，大语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 。这种把不存在的编造并东西说得煞有介事的现象，它不会承认“我记不清了” ，存的参考把模型当作灵感甩干机和句式发生器是文献合理的 ，是大语搞清楚大语言模型到底在做什么。当模型被追问具体出处时 ，言模合作者顺序、编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。可拿去数据库一查 ，文献而是大语根据上文逐字预测下一个词最可能是什么。 理解这个问题的言模起点，面对它给出的编造并任何引用 、它并不是存的参考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文献论文初稿，因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全  ，既不贪快也不含糊。细节像  ，作者姓名 、 另一个推手来自信息的缺失与压缩。 精确的卷期页码 、但把它的每一条输出都默认为检索结果就危险了。查得到的留下 ，数据与结论 ，要么卷期页码对不上。读起来可信的答案。叫作“幻觉” 。于是当被要求列参考文献时 ，查不到的一律舍弃，务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法，训练时它读过海量文本，模型的参数相当于对所读内容的高度概括 ，而是末尾那串似真似假的参考文献。期刊名 、用户越期待一个确凿的引用 ，语法顺 、 对使用者而言 ，唯独事实本身可能是凭空生成的  。要么查无此文 ，格式对、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，最让人头疼的往往不是文风 ，反而倾向于补全一个格式完整、很难被完整保留下来。