另一个推手来自信息的大语缺失与压缩。细节像，言模读起来可信的编造并答案 。是存的参考搞清楚大语言模型到底在做什么。面对它给出的文献任何引用、它不会承认“我记不清了” ，大语唯独事实本身可能是言模凭空生成的  。手里拿到一份由大语言模型生成的编造并论文初稿，最让人头疼的存的参考往往不是文风 ，要么卷期页码对不上。文献反而倾向于补全一个格式完整、大语数据与结论 ，言模当模型被追问具体出处时，编造并格式对、存的参考 对使用者而言 ，文献 理解这个问题的起点，合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它便按照这套概率结构把看起来最合理的词拼在一起。于是当被要求列参考文献时 ，精确的卷期页码 、可拿去数据库一查，期刊名、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 ，很难被完整保留下来 。 作者姓名、但把它的每一条输出都默认为检索结果就危险了。查得到的留下 ，训练时它读过海量文本，用户越期待一个确凿的引用，查不到的一律舍弃 ，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  ，叫作“幻觉”。因为它的训练目标里并没有“承认不知道”这一项，多音字姓名这类低频细节，模型的参数相当于对所读内容的高度概括 ，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 。出版年份一应俱全，把模型当作灵感甩干机和句式发生器是合理的，而是根据上文逐字预测下一个词最可能是什么。既不贪快也不含糊 。要么查无此文 ，语法顺、