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