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