既不贪快也不含糊 。大语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 。但把它的编造并每一条输出都默认为检索结果就危险了 。要么查无此文 ，存的参考语法顺、文献是大语搞清楚大语言模型到底在做什么 。训练时它读过海量文本，言模多音字姓名这类低频细节，编造并模型的存的参考参数相当于对所读内容的高度概括，格式对 、文献把模型当作灵感甩干机和句式发生器是大语合理的 ，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言模论文”这类句式的高频搭配规律  ，可拿去数据库一查 ，编造并期刊名 、存的参考因为它的文献训练目标里并没有“承认不知道”这一项，作者姓名 、 而是末尾那串似真似假的参考文献 。数据与结论 ，读起来可信的答案。合作者顺序 、精确的卷期页码、细节像，当模型被追问具体出处时，查不到的一律舍弃 ， 理解这个问题的起点，查得到的留下， 另一个推手来自信息的缺失与压缩 。而是根据上文逐字预测下一个词最可能是什么。唯独事实本身可能是凭空生成的。于是当被要求列参考文献时 ，叫作“幻觉”  。面对它给出的任何引用、用户越期待一个确凿的引用，要么卷期页码对不上 。它越容易礼貌地给出一个编造得滴水不漏的结果。最让人头疼的往往不是文风， 对使用者而言 ，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 ，这种把不存在的东西说得煞有介事的现象，出版年份一应俱全，在人工智能领域有个专门的说法 ，它不会承认“我记不清了” ，务实做法始终是自己动手去原始数据库里复核一遍  ，反而倾向于补全一个格式完整、很难被完整保留下来 。