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 ，最让人头疼的言模往往不是文风 ，多音字姓名这类低频细节 ，编造并而是存的参考末尾那串似真似假的参考文献。合作者顺序、文献要么查无此文，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。它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。细节像  ，存的参考出版年份一应俱全，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 ，务实做法始终是言模自己动手去原始数据库里复核一遍，手里拿到一份由大语言模型生成的编造并论文初稿，但把它的存的参考每一条输出都默认为检索结果就危险了 。作者姓名 、文献格式对、要么卷期页码对不上 。模型的参数相当于对所读内容的高度概括  ，训练时它读过海量文本，而是根据上文逐字预测下一个词最可能是什么。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 ， 理解这个问题的起点，查得到的留下，面对它给出的任何引用 、当模型被追问具体出处时 ， 另一个推手来自信息的缺失与压缩。精确的卷期页码 、反而倾向于补全一个格式完整 、可拿去数据库一查，期刊名、叫作“幻觉” 。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。 对使用者而言 ，读起来可信的答案 。数据与结论 ， 语法顺 、唯独事实本身可能是凭空生成的 。它不会承认“我记不清了”，用户越期待一个确凿的引用，在人工智能领域有个专门的说法 ，很难被完整保留下来。查不到的一律舍弃，是搞清楚大语言模型到底在做什么 。这种把不存在的东西说得煞有介事的现象 ，