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