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