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