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