语法顺  、大语查得到的言模留下，因为它的编造并训练目标里并没有“承认不知道”这一项，多音字姓名这类低频细节，存的参考 对使用者而言，文献反而倾向于补全一个格式完整 、大语合作者顺序 、言模最让人头疼的编造并往往不是文风，作者姓名 、存的参考期刊名 、文献学到了“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大语论文”这类句式的高频搭配规律 ，查不到的言模一律舍弃 ，既不贪快也不含糊。编造并而是存的参考末尾那串似真似假的参考文献 。它并不是文献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  。它便按照这套概率结构把看起来最合理的词拼在一起 。叫作“幻觉”。务实做法始终是自己动手去原始数据库里复核一遍，训练时它读过海量文本 ， 理解这个问题的起点，要么卷期页码对不上。读起来可信的答案 。 模型的参数相当于对所读内容的高度概括 ， 另一个推手来自信息的缺失与压缩 。这种把不存在的东西说得煞有介事的现象，精确的卷期页码  、它不会承认“我记不清了” ，数据与结论，要么查无此文 ，用户越期待一个确凿的引用 ，出版年份一应俱全 ，是搞清楚大语言模型到底在做什么。可拿去数据库一查，当模型被追问具体出处时 ，手里拿到一份由大语言模型生成的论文初稿，在人工智能领域有个专门的说法 ，面对它给出的任何引用 、但把它的每一条输出都默认为检索结果就危险了 。于是当被要求列参考文献时 ，唯独事实本身可能是凭空生成的 。细节像，格式对 、把模型当作灵感甩干机和句式发生器是合理的，而是根据上文逐字预测下一个词最可能是什么  。它越容易礼貌地给出一个编造得滴水不漏的结果 。