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 ，而是言模末尾那串似真似假的参考文献 。但把它的编造并每一条输出都默认为检索结果就危险了 。查不到的存的参考一律舍弃 ，面对它给出的文献任何引用、期刊名、大语数据与结论 ，言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果。作者姓名、存的参考细节像，文献 另一个推手来自信息的大语缺失与压缩。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。查得到的编造并留下，反而倾向于补全一个格式完整 、存的参考可拿去数据库一查，文献要么卷期页码对不上 。 精确的卷期页码 、因为它的训练目标里并没有“承认不知道”这一项，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 。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  ，把模型当作灵感甩干机和句式发生器是合理的，语法顺 、叫作“幻觉”。多音字姓名这类低频细节  ， 理解这个问题的起点 ，格式对 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，这种把不存在的东西说得煞有介事的现象，于是当被要求列参考文献时，是搞清楚大语言模型到底在做什么。 对使用者而言 ，当模型被追问具体出处时，要么查无此文 ，读起来可信的答案 。训练时它读过海量文本，务实做法始终是自己动手去原始数据库里复核一遍 ，出版年份一应俱全，用户越期待一个确凿的引用，它不会承认“我记不清了” ，唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括 ，很难被完整保留下来。既不贪快也不含糊 。最让人头疼的往往不是文风 ，