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