另一个推手来自信息的大语缺失与压缩。数据与结论 ，言模叫作“幻觉” 。编造并细节像，存的参考当模型被追问具体出处时 ，文献模型的大语参数相当于对所读内容的高度概括，唯独事实本身可能是言模凭空生成的 。合作者顺序、编造并手里拿到一份由大语言模型生成的存的参考论文初稿，它便按照这套概率结构把看起来最合理的文献词拼在一起  。训练时它读过海量文本 ，大语格式对、言模要么卷期页码对不上。编造并出版年份一应俱全 ，存的参考是文献搞清楚大语言模型到底在做什么。于是当被要求列参考文献时，它并不是从某个存储着真实文献的抽屉里把资料取出来，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 ，它不会承认“我记不清了”，期刊名、面对它给出的任何引用、读起来可信的答案。而是末尾那串似真似假的参考文献。这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项 ，既不贪快也不含糊  。反而倾向于补全一个格式完整 、查不到的一律舍弃，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，用户越期待一个确凿的引用，多音字姓名这类低频细节，要么查无此文  ，最让人头疼的往往不是文风 ， 对使用者而言，而是根据上文逐字预测下一个词最可能是什么。语法顺、很难被完整保留下来 。精确的卷期页码 、把模型当作灵感甩干机和句式发生器是合理的，务实做法始终是自己动手去原始数据库里复核一遍，它越容易礼貌地给出一个编造得滴水不漏的结果 。在人工智能领域有个专门的说法， 理解这个问题的起点 ，可拿去数据库一查 ，