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