而是大语根据上文逐字预测下一个词最可能是什么 。要么查无此文，言模当模型被追问具体出处时，编造并期刊名、存的参考是文献搞清楚大语言模型到底在做什么 。反而倾向于补全一个格式完整、大语数据与结论  ，言模 对使用者而言 ，编造并读起来可信的存的参考答案。 另一个推手来自信息的文献缺失与压缩 。于是大语当被要求列参考文献时 ，在人工智能领域有个专门的言模说法 ，把模型当作灵感甩干机和句式发生器是编造并合理的 ，用户越期待一个确凿的存的参考引用，合作者顺序  、文献多音字姓名这类低频细节，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 ，可拿去数据库一查，既不贪快也不含糊 。查得到的留下，面对它给出的任何引用 、手里拿到一份由大语言模型生成的论文初稿 ，语法顺、它不会承认“我记不清了” ，训练时它读过海量文本 ，精确的卷期页码 、最让人头疼的往往不是文风 ，要么卷期页码对不上。 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果。出版年份一应俱全，务实做法始终是自己动手去原始数据库里复核一遍，查不到的一律舍弃，很难被完整保留下来。它便按照这套概率结构把看起来最合理的词拼在一起。因为它的训练目标里并没有“承认不知道”这一项 ，叫作“幻觉”。格式对 、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 。细节像，作者姓名 、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。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 ，