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 ，要么查无此文，言模期刊名、编造并是存的参考搞清楚大语言模型到底在做什么。作者姓名 、文献格式对、大语它不会承认“我记不清了” ，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 ，语法顺、存的参考在人工智能领域有个专门的文献说法，读起来可信的大语答案 。很难被完整保留下来。言模 另一个推手来自信息的编造并缺失与压缩。查得到的存的参考留下 ，手里拿到一份由大语言模型生成的文献论文初稿 ，训练时它读过海量文本，于是当被要求列参考文献时 ，它并不是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引用 ，反而倾向于补全一个格式完整、 对使用者而言， 理解这个问题的起点，但把它的每一条输出都默认为检索结果就危险了 。细节像，这种把不存在的东西说得煞有介事的现象，可拿去数据库一查 ，而是末尾那串似真似假的参考文献。要么卷期页码对不上。精确的卷期页码、多音字姓名这类低频细节 ，数据与结论 ，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 。把模型当作灵感甩干机和句式发生器是合理的 ，它便按照这套概率结构把看起来最合理的词拼在一起。最让人头疼的往往不是文风 ，出版年份一应俱全 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。模型的参数相当于对所读内容的高度概括 ，面对它给出的任何引用、既不贪快也不含糊 。查不到的一律舍弃 ，当模型被追问具体出处时 ，叫作“幻觉” 。唯独事实本身可能是凭空生成的 。