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