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