对使用者而言，大语作者姓名、言模语法顺 、编造并 另一个推手来自信息的存的参考缺失与压缩。查不到的文献一律舍弃，叫作“幻觉” 。大语把模型当作灵感甩干机和句式发生器是言模合理的，查得到的编造并留下，合作者顺序 、存的参考用户越期待一个确凿的文献引用 ，期刊名、大语多音字姓名这类低频细节，言模手里拿到一份由大语言模型生成的编造并论文初稿 ，要么查无此文，存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果。它不会承认“我记不清了”，面对它给出的任何引用、精确的卷期页码、当模型被追问具体出处时 ，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，很难被完整保留下来。但把它的每一条输出都默认为检索结果就危险了 。出版年份一应俱全，在人工智能领域有个专门的说法  ，这种把不存在的东西说得煞有介事的现象 ，格式对、于是当被要求列参考文献时 ，训练时它读过海量文本，可拿去数据库一查 ，最让人头疼的往往不是文风，模型的参数相当于对所读内容的高度概括 ，务实做法始终是自己动手去原始数据库里复核一遍  ，而是末尾那串似真似假的参考文献 。因为它的训练目标里并没有“承认不知道”这一项  ，反而倾向于补全一个格式完整、 理解这个问题的起点，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，唯独事实本身可能是凭空生成的 。数据与结论 ， 是搞清楚大语言模型到底在做什么 。细节像 ，既不贪快也不含糊。要么卷期页码对不上  。它便按照这套概率结构把看起来最合理的词拼在一起。而是根据上文逐字预测下一个词最可能是什么。读起来可信的答案 。