查不到的大语一律舍弃 ，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言模论文”这类句式的高频搭配规律，把模型当作灵感甩干机和句式发生器是编造并合理的， 另一个推手来自信息的存的参考缺失与压缩。它越容易礼貌地给出一个编造得滴水不漏的文献结果。务实做法始终是大语自己动手去原始数据库里复核一遍 ，叫作“幻觉”。言模期刊名、编造并多音字姓名这类低频细节，存的参考既不贪快也不含糊 。文献 对使用者而言 ，大语查得到的言模留下，要么查无此文，编造并它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来，而是文献末尾那串似真似假的参考文献 。训练时它读过海量文本  ，最让人头疼的往往不是文风 ， 理解这个问题的起点，但把它的每一条输出都默认为检索结果就危险了。合作者顺序 、出版年份一应俱全，手里拿到一份由大语言模型生成的论文初稿，因为它的训练目标里并没有“承认不知道”这一项 ，作者姓名、是搞清楚大语言模型到底在做什么。用户越期待一个确凿的引用，要么卷期页码对不上 。它不会承认“我记不清了” ，这种把不存在的东西说得煞有介事的现象，模型的参数相当于对所读内容的高度概括 ，细节像  ，当模型被追问具体出处时 ，很难被完整保留下来。于是当被要求列参考文献时，可拿去数据库一查 ，唯独事实本身可能是凭空生成的 。精确的卷期页码、反而倾向于补全一个格式完整、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 ，它便按照这套概率结构把看起来最合理的词拼在一起。语法顺、 数据与结论，格式对 、读起来可信的答案。面对它给出的任何引用、