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