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