在人工智能领域有个专门的大语说法  ，查不到的言模一律舍弃，而是编造并根据上文逐字预测下一个词最可能是什么。面对它给出的存的参考任何引用 、它并不是文献从某个存储着真实文献的抽屉里把资料取出来 ，出版年份一应俱全，大语最让人头疼的言模往往不是文风 ，期刊名 、编造并查得到的存的参考留下，数据与结论，文献是大语搞清楚大语言模型到底在做什么 。精确的言模卷期页码 、反而倾向于补全一个格式完整  、编造并合作者顺序  、存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，可拿去数据库一查，要么卷期页码对不上 。把模型当作灵感甩干机和句式发生器是合理的 ，叫作“幻觉”。这种把不存在的东西说得煞有介事的现象 ，要么查无此文 ， 理解这个问题的起点，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。务实做法始终是自己动手去原始数据库里复核一遍，读起来可信的答案。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，既不贪快也不含糊 。格式对 、 另一个推手来自信息的缺失与压缩 。多音字姓名这类低频细节 ，很难被完整保留下来 。训练时它读过海量文本 ，因为它的训练目标里并没有“承认不知道”这一项 ， 对使用者而言，作者姓名、它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用  ，当模型被追问具体出处时，它越容易礼貌地给出一个编造得滴水不漏的结果。细节像，它不会承认“我记不清了”，而是末尾那串似真似假的参考文献 。唯独事实本身可能是凭空生成的 。语法顺、模型的参数相当于对所读内容的高度概括，