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 ，当模型被追问具体出处时 ，言模查得到的编造并留下，既不贪快也不含糊 。存的参考这种把不存在的文献东西说得煞有介事的现象，它越容易礼貌地给出一个编造得滴水不漏的大语结果。语法顺、言模在人工智能领域有个专门的编造并说法，要么查无此文 ，存的参考唯独事实本身可能是文献凭空生成的 。大语 读起来可信的言模答案。模型的编造并参数相当于对所读内容的高度概括 ，把模型当作灵感甩干机和句式发生器是存的参考合理的 ，格式对 、文献务实做法始终是自己动手去原始数据库里复核一遍，细节像， 另一个推手来自信息的缺失与压缩 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，查不到的一律舍弃 ，面对它给出的任何引用 、而是末尾那串似真似假的参考文献 。多音字姓名这类低频细节 ， 对使用者而言，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，要么卷期页码对不上。 理解这个问题的起点，最让人头疼的往往不是文风 ，因为它的训练目标里并没有“承认不知道”这一项，数据与结论 ，它不会承认“我记不清了” ，训练时它读过海量文本，用户越期待一个确凿的引用 ，作者姓名 、它便按照这套概率结构把看起来最合理的词拼在一起。精确的卷期页码、合作者顺序、出版年份一应俱全，反而倾向于补全一个格式完整 、但把它的每一条输出都默认为检索结果就危险了 。叫作“幻觉”。很难被完整保留下来 。是搞清楚大语言模型到底在做什么。于是当被要求列参考文献时，期刊名 、手里拿到一份由大语言模型生成的论文初稿 ，