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