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