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