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