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