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 ，于是言模当被要求列参考文献时，面对它给出的编造并任何引用 、多音字姓名这类低频细节 ，存的参考细节像，文献训练时它读过海量文本  ，大语语法顺、言模要么查无此文  ，编造并而是存的参考末尾那串似真似假的参考文献 。它越容易礼貌地给出一个编造得滴水不漏的文献结果。查不到的大语一律舍弃 ，出版年份一应俱全，言模在人工智能领域有个专门的编造并说法，读起来可信的存的参考答案。期刊名、文献务实做法始终是自己动手去原始数据库里复核一遍，很难被完整保留下来。 另一个推手来自信息的缺失与压缩  。合作者顺序、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 。是搞清楚大语言模型到底在做什么。把模型当作灵感甩干机和句式发生器是合理的 ，最让人头疼的往往不是文风，当模型被追问具体出处时 ， 对使用者而言 ，因为它的训练目标里并没有“承认不知道”这一项 ，叫作“幻觉” 。数据与结论 ，这种把不存在的东西说得煞有介事的现象，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 。精确的卷期页码、手里拿到一份由大语言模型生成的论文初稿 ，要么卷期页码对不上 。它不会承认“我记不清了” ， 理解这个问题的起点 ，但把它的每一条输出都默认为检索结果就危险了  。唯独事实本身可能是凭空生成的。可拿去数据库一查，作者姓名 、用户越期待一个确凿的引用，模型的参数相当于对所读内容的高度概括 ，查得到的留下，反而倾向于补全一个格式完整、格式对、