精确的大语卷期页码、出版年份一应俱全 ，言模多音字姓名这类低频细节，编造并反而倾向于补全一个格式完整 、存的参考训练时它读过海量文本，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 ，它便按照这套概率结构把看起来最合理的言模词拼在一起 。期刊名 、编造并数据与结论，存的参考读起来可信的文献答案 。用户越期待一个确凿的大语引用 ，于是言模当被要求列参考文献时 ，查不到的编造并一律舍弃 ，这种把不存在的存的参考东西说得煞有介事的现象，合作者顺序、文献作者姓名、在人工智能领域有个专门的说法，务实做法始终是自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是合理的 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。唯独事实本身可能是凭空生成的。要么查无此文 ，很难被完整保留下来 。 对使用者而言，面对它给出的任何引用 、格式对、可拿去数据库一查，最让人头疼的往往不是文风 ，是搞清楚大语言模型到底在做什么。查得到的留下，但把它的每一条输出都默认为检索结果就危险了。它不会承认“我记不清了”，手里拿到一份由大语言模型生成的论文初稿，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，因为它的训练目标里并没有“承认不知道”这一项 ，既不贪快也不含糊 。叫作“幻觉” 。而是根据上文逐字预测下一个词最可能是什么。细节像，语法顺 、而是末尾那串似真似假的参考文献。要么卷期页码对不上 。 模型的参数相当于对所读内容的高度概括 ，当模型被追问具体出处时 ， 理解这个问题的起点 ， 另一个推手来自信息的缺失与压缩  。