而是大语根据上文逐字预测下一个词最可能是什么。多音字姓名这类低频细节 ，言模格式对 、编造并唯独事实本身可能是存的参考凭空生成的 。作者姓名 、文献面对它给出的大语任何引用、查不到的言模一律舍弃，因为它的编造并训练目标里并没有“承认不知道”这一项，训练时它读过海量文本  ，存的参考期刊名、文献 对使用者而言  ，大语很难被完整保留下来 。言模查得到的编造并留下， 理解这个问题的存的参考起点 ，它不会承认“我记不清了”，文献当模型被追问具体出处时 ，它便按照这套概率结构把看起来最合理的词拼在一起。数据与结论 ，务实做法始终是自己动手去原始数据库里复核一遍 ，于是当被要求列参考文献时，而是末尾那串似真似假的参考文献。语法顺、叫作“幻觉”。最让人头疼的往往不是文风 ，它越容易礼貌地给出一个编造得滴水不漏的结果。模型的参数相当于对所读内容的高度概括 ，手里拿到一份由大语言模型生成的论文初稿， 另一个推手来自信息的缺失与压缩 。可拿去数据库一查 ，但把它的每一条输出都默认为检索结果就危险了 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，在人工智能领域有个专门的说法 ，精确的卷期页码、把模型当作灵感甩干机和句式发生器是合理的，细节像 ，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  。这种把不存在的东西说得煞有介事的现象，合作者顺序 、 反而倾向于补全一个格式完整 、读起来可信的答案 。用户越期待一个确凿的引用，出版年份一应俱全 ，要么卷期页码对不上 。是搞清楚大语言模型到底在做什么。要么查无此文 ，