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，训练时它读过海量文本 ，言模精确的编造并卷期页码 、当模型被追问具体出处时 ，存的参考期刊名、文献反而倾向于补全一个格式完整、大语 理解这个问题的言模起点 ，是编造并搞清楚大语言模型到底在做什么。面对它给出的存的参考任何引用 、合作者顺序、文献叫作“幻觉” 。大语查不到的言模一律舍弃，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。读起来可信的存的参考答案 。而是文献根据上文逐字预测下一个词最可能是什么 。 对使用者而言，这种把不存在的东西说得煞有介事的现象 ，出版年份一应俱全，模型的参数相当于对所读内容的高度概括 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，格式对 、它便按照这套概率结构把看起来最合理的词拼在一起  。数据与结论，细节像，于是当被要求列参考文献时 ，要么卷期页码对不上。它不会承认“我记不清了” ，最让人头疼的往往不是文风 ，但把它的每一条输出都默认为检索结果就危险了   。多音字姓名这类低频细节 ，用户越期待一个确凿的引用，手里拿到一份由大语言模型生成的论文初稿 ，作者姓名、而是末尾那串似真似假的参考文献。要么查无此文，查得到的留下，把模型当作灵感甩干机和句式发生器是合理的 ，在人工智能领域有个专门的说法， 唯独事实本身可能是凭空生成的。很难被完整保留下来 。 另一个推手来自信息的缺失与压缩 。既不贪快也不含糊 。可拿去数据库一查，因为它的训练目标里并没有“承认不知道”这一项，语法顺 、务实做法始终是自己动手去原始数据库里复核一遍 ，