语法顺 、大语作者姓名 、言模务实做法始终是编造并自己动手去原始数据库里复核一遍，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存的参考论文”这类句式的高频搭配规律，要么查无此文，文献而是大语根据上文逐字预测下一个词最可能是什么 。把模型当作灵感甩干机和句式发生器是言模合理的，合作者顺序、编造并 理解这个问题的存的参考起点 ，细节像 ，文献出版年份一应俱全，大语因为它的言模训练目标里并没有“承认不知道”这一项 ，但把它的编造并每一条输出都默认为检索结果就危险了。查得到的存的参考留下 ，用户越期待一个确凿的文献引用，精确的卷期页码 、它便按照这套概率结构把看起来最合理的词拼在一起。既不贪快也不含糊。多音字姓名这类低频细节 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。叫作“幻觉” 。查不到的一律舍弃，唯独事实本身可能是凭空生成的。模型的参数相当于对所读内容的高度概括，是搞清楚大语言模型到底在做什么 。训练时它读过海量文本， 另一个推手来自信息的缺失与压缩  。于是当被要求列参考文献时，手里拿到一份由大语言模型生成的论文初稿 ，而是末尾那串似真似假的参考文献。 对使用者而言，要么卷期页码对不上。可拿去数据库一查 ，最让人头疼的往往不是文风，它不会承认“我记不清了”，面对它给出的任何引用、它并不是从某个存储着真实文献的抽屉里把资料取出来，很难被完整保留下来  。反而倾向于补全一个格式完整 、这种把不存在的东西说得煞有介事的现象，格式对、期刊名 、读起来可信的答案 。 在人工智能领域有个专门的说法 ，数据与结论，当模型被追问具体出处时 ，