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 ，用户越期待一个确凿的言模引用 ，要么查无此文，编造并反而倾向于补全一个格式完整、存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果 。当模型被追问具体出处时 ，大语 对使用者而言，言模于是编造并当被要求列参考文献时 ，唯独事实本身可能是存的参考凭空生成的 。它不会承认“我记不清了” ，文献作者姓名、大语要么卷期页码对不上。言模 另一个推手来自信息的编造并缺失与压缩 。格式对、存的参考合作者顺序、文献查得到的留下 ，训练时它读过海量文本，但把它的每一条输出都默认为检索结果就危险了。它便按照这套概率结构把看起来最合理的词拼在一起。细节像，查不到的一律舍弃 ，把模型当作灵感甩干机和句式发生器是合理的 ，出版年份一应俱全 ， 理解这个问题的起点，既不贪快也不含糊。多音字姓名这类低频细节 ，而是根据上文逐字预测下一个词最可能是什么。可拿去数据库一查，是搞清楚大语言模型到底在做什么。而是末尾那串似真似假的参考文献 。精确的卷期页码、 语法顺 、模型的参数相当于对所读内容的高度概括 ，因为它的训练目标里并没有“承认不知道”这一项，最让人头疼的往往不是文风 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，读起来可信的答案  。手里拿到一份由大语言模型生成的论文初稿，在人工智能领域有个专门的说法，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，务实做法始终是自己动手去原始数据库里复核一遍，面对它给出的任何引用 、期刊名、很难被完整保留下来。