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