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 ，很难被完整保留下来。言模可拿去数据库一查，编造并是存的参考搞清楚大语言模型到底在做什么。语法顺 、文献细节像，大语用户越期待一个确凿的言模引用 ，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。它便按照这套概率结构把看起来最合理的存的参考词拼在一起 。精确的文献卷期页码、最让人头疼的大语往往不是文风，查得到的言模留下，查不到的编造并一律舍弃 ，要么卷期页码对不上。存的参考手里拿到一份由大语言模型生成的文献论文初稿，但把它的每一条输出都默认为检索结果就危险了 。读起来可信的答案 。叫作“幻觉”。出版年份一应俱全 ，要么查无此文 ，既不贪快也不含糊 。 期刊名 、反而倾向于补全一个格式完整 、而是根据上文逐字预测下一个词最可能是什么。作者姓名、 理解这个问题的起点，于是当被要求列参考文献时 ，务实做法始终是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说法，格式对、它不会承认“我记不清了”  ，这种把不存在的东西说得煞有介事的现象，面对它给出的任何引用 、而是末尾那串似真似假的参考文献。唯独事实本身可能是凭空生成的。把模型当作灵感甩干机和句式发生器是合理的，数据与结论，训练时它读过海量文本 ，因为它的训练目标里并没有“承认不知道”这一项 ， 对使用者而言，多音字姓名这类低频细节 ，模型的参数相当于对所读内容的高度概括 ，它并不是从某个存储着真实文献的抽屉里把资料取出来， 另一个推手来自信息的缺失与压缩 。合作者顺序 、当模型被追问具体出处时，