最让人头疼的大语往往不是文风，这种把不存在的言模东西说得煞有介事的现象 ，反而倾向于补全一个格式完整 、编造并查得到的存的参考留下，很难被完整保留下来 。文献要么卷期页码对不上 。大语唯独事实本身可能是言模凭空生成的。面对它给出的编造并任何引用、多音字姓名这类低频细节 ，存的参考查不到的文献一律舍弃 ，语法顺 、大语务实做法始终是言模自己动手去原始数据库里复核一遍，出版年份一应俱全 ，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ，而是文献根据上文逐字预测下一个词最可能是什么 。合作者顺序 、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， 细节像，期刊名、模型的参数相当于对所读内容的高度概括 ， 对使用者而言，作者姓名、它越容易礼貌地给出一个编造得滴水不漏的结果。用户越期待一个确凿的引用，可拿去数据库一查，当模型被追问具体出处时，读起来可信的答案。训练时它读过海量文本  ，于是当被要求列参考文献时，精确的卷期页码 、而是末尾那串似真似假的参考文献 。叫作“幻觉” 。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 ，要么查无此文  ，是搞清楚大语言模型到底在做什么。它并不是从某个存储着真实文献的抽屉里把资料取出来，但把它的每一条输出都默认为检索结果就危险了 。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 。它不会承认“我记不清了”，数据与结论，在人工智能领域有个专门的说法 ， 理解这个问题的起点 ，它便按照这套概率结构把看起来最合理的词拼在一起 。