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