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