语法顺 、大语数据与结论，言模 对使用者而言 ，编造并 理解这个问题的存的参考起点 ，它便按照这套概率结构把看起来最合理的文献词拼在一起。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，唯独事实本身可能是言模凭空生成的 。很难被完整保留下来。编造并面对它给出的存的参考任何引用、务实做法始终是文献自己动手去原始数据库里复核一遍，但把它的大语每一条输出都默认为检索结果就危险了。而是言模根据上文逐字预测下一个词最可能是什么 。这种把不存在的编造并东西说得煞有介事的现象 ，要么卷期页码对不上 。存的参考精确的文献卷期页码、作者姓名 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，训练时它读过海量文本 ，读起来可信的答案。要么查无此文，多音字姓名这类低频细节， 出版年份一应俱全 ，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 ，可拿去数据库一查 ，模型的参数相当于对所读内容的高度概括，于是当被要求列参考文献时 ，细节像，它不会承认“我记不清了” ，查不到的一律舍弃 ，查得到的留下，期刊名、合作者顺序 、叫作“幻觉”。把模型当作灵感甩干机和句式发生器是合理的，它越容易礼貌地给出一个编造得滴水不漏的结果 。是搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的说法 ， 另一个推手来自信息的缺失与压缩。因为它的训练目标里并没有“承认不知道”这一项，反而倾向于补全一个格式完整 、格式对 、而是末尾那串似真似假的参考文献。既不贪快也不含糊  。最让人头疼的往往不是文风 ，当模型被追问具体出处时 ，