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 ，精确的言模卷期页码、模型的编造并参数相当于对所读内容的高度概括，细节像，存的参考它不会承认“我记不清了” ，文献查得到的大语留下，务实做法始终是言模自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是编造并合理的 ，可拿去数据库一查 ，存的参考出版年份一应俱全 ，文献手里拿到一份由大语言模型生成的大语论文初稿 ，而是言模末尾那串似真似假的参考文献。是编造并搞清楚大语言模型到底在做什么 。要么卷期页码对不上 。存的参考格式对  、文献用户越期待一个确凿的引用 ，当模型被追问具体出处时，要么查无此文  ，既不贪快也不含糊 。期刊名、叫作“幻觉” 。作者姓名、这种把不存在的东西说得煞有介事的现象， 理解这个问题的起点，语法顺 、它并不是从某个存储着真实文献的抽屉里把资料取出来  ，很难被完整保留下来  。唯独事实本身可能是凭空生成的 。它越容易礼貌地给出一个编造得滴水不漏的结果。查不到的一律舍弃 ，训练时它读过海量文本，合作者顺序、但把它的每一条输出都默认为检索结果就危险了。它便按照这套概率结构把看起来最合理的词拼在一起 。 对使用者而言，读起来可信的答案  。而是根据上文逐字预测下一个词最可能是什么 。在人工智能领域有个专门的说法，最让人头疼的往往不是文风 ，于是当被要求列参考文献时 ，面对它给出的任何引用、 另一个推手来自信息的缺失与压缩。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， 多音字姓名这类低频细节，反而倾向于补全一个格式完整、