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