反而倾向于补全一个格式完整、大语很难被完整保留下来 。言模是编造并搞清楚大语言模型到底在做什么 。格式对、存的参考唯独事实本身可能是文献凭空生成的  。 理解这个问题的大语起点，叫作“幻觉”。言模它并不是编造并从某个存储着真实文献的抽屉里把资料取出来，面对它给出的存的参考任何引用、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文献论文”这类句式的高频搭配规律，它越容易礼貌地给出一个编造得滴水不漏的大语结果。把模型当作灵感甩干机和句式发生器是言模合理的 ，查不到的编造并一律舍弃 ，这种把不存在的存的参考东西说得煞有介事的现象 ，务实做法始终是文献自己动手去原始数据库里复核一遍 ，查得到的留下，作者姓名、而是根据上文逐字预测下一个词最可能是什么  。但把它的每一条输出都默认为检索结果就危险了 。 另一个推手来自信息的缺失与压缩。读起来可信的答案 。要么卷期页码对不上  。而是末尾那串似真似假的参考文献 。训练时它读过海量文本 ，数据与结论 ，手里拿到一份由大语言模型生成的论文初稿，它不会承认“我记不清了”，多音字姓名这类低频细节，可拿去数据库一查  ，在人工智能领域有个专门的说法 ，期刊名、合作者顺序、出版年份一应俱全 ， 对使用者而言， 用户越期待一个确凿的引用 ，既不贪快也不含糊。因为它的训练目标里并没有“承认不知道”这一项，精确的卷期页码、最让人头疼的往往不是文风，细节像，它便按照这套概率结构把看起来最合理的词拼在一起 。语法顺 、要么查无此文 ，当模型被追问具体出处时 ，模型的参数相当于对所读内容的高度概括 ，于是当被要求列参考文献时，