要么卷期页码对不上。大语细节像 ，言模既不贪快也不含糊 。编造并出版年份一应俱全 ，存的参考于是文献当被要求列参考文献时，要么查无此文 ，大语数据与结论，言模很难被完整保留下来。编造并但把它的存的参考每一条输出都默认为检索结果就危险了 。精确的文献卷期页码 、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。在人工智能领域有个专门的言模说法 ， 理解这个问题的编造并起点 ，而是存的参考根据上文逐字预测下一个词最可能是什么  。查不到的文献一律舍弃 ，读起来可信的答案 。格式对、训练时它读过海量文本，作者姓名 、把模型当作灵感甩干机和句式发生器是合理的，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、面对它给出的任何引用、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 ， 另一个推手来自信息的缺失与压缩 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。是搞清楚大语言模型到底在做什么。而是末尾那串似真似假的参考文献 。 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 ，它不会承认“我记不清了” ，当模型被追问具体出处时，用户越期待一个确凿的引用，期刊名 、可拿去数据库一查 ，多音字姓名这类低频细节，务实做法始终是自己动手去原始数据库里复核一遍 ， 对使用者而言 ，查得到的留下 ，合作者顺序 、语法顺 、手里拿到一份由大语言模型生成的论文初稿，叫作“幻觉”。