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