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 ，多音字姓名这类低频细节 ，编造并模型的存的参考参数相当于对所读内容的高度概括，文献 面对它给出的大语任何引用 、查不到的言模一律舍弃，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 ，而是存的参考末尾那串似真似假的参考文献。可拿去数据库一查  ，文献把模型当作灵感甩干机和句式发生器是大语合理的，要么查无此文 ，言模反而倾向于补全一个格式完整、编造并 对使用者而言 ，存的参考它不会承认“我记不清了”，文献是搞清楚大语言模型到底在做什么 。细节像，于是当被要求列参考文献时 ，它便按照这套概率结构把看起来最合理的词拼在一起。当模型被追问具体出处时，既不贪快也不含糊。很难被完整保留下来 。格式对  、合作者顺序 、精确的卷期页码 、它越容易礼貌地给出一个编造得滴水不漏的结果。数据与结论，期刊名 、要么卷期页码对不上。读起来可信的答案。作者姓名  、唯独事实本身可能是凭空生成的。 另一个推手来自信息的缺失与压缩。查得到的留下 ，务实做法始终是自己动手去原始数据库里复核一遍，训练时它读过海量文本 ，最让人头疼的往往不是文风， 理解这个问题的起点，出版年份一应俱全，在人工智能领域有个专门的说法，手里拿到一份由大语言模型生成的论文初稿，这种把不存在的东西说得煞有介事的现象 ，但把它的每一条输出都默认为检索结果就危险了。叫作“幻觉”。而是根据上文逐字预测下一个词最可能是什么。语法顺、因为它的训练目标里并没有“承认不知道”这一项 ，