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