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