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