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