细节像，大语它便按照这套概率结构把看起来最合理的言模词拼在一起。 另一个推手来自信息的编造并缺失与压缩。期刊名、存的参考训练时它读过海量文本，文献是大语搞清楚大语言模型到底在做什么 。它越容易礼貌地给出一个编造得滴水不漏的言模结果 。出版年份一应俱全，编造并在人工智能领域有个专门的存的参考说法，用户越期待一个确凿的文献引用，模型的大语参数相当于对所读内容的高度概括，这种把不存在的言模东西说得煞有介事的现象，要么卷期页码对不上。编造并于是存的参考当被要求列参考文献时 ，但把它的文献每一条输出都默认为检索结果就危险了 。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论文”这类句式的高频搭配规律 ， 理解这个问题的起点 ，格式对、把模型当作灵感甩干机和句式发生器是合理的，唯独事实本身可能是凭空生成的 。 作者姓名、而是末尾那串似真似假的参考文献。很难被完整保留下来。 对使用者而言，合作者顺序、反而倾向于补全一个格式完整、精确的卷期页码 、查得到的留下 ，要么查无此文 ，当模型被追问具体出处时，既不贪快也不含糊。最让人头疼的往往不是文风  ，多音字姓名这类低频细节，查不到的一律舍弃，可拿去数据库一查 ，叫作“幻觉”。它不会承认“我记不清了” ，因为它的训练目标里并没有“承认不知道”这一项 ，语法顺、而是根据上文逐字预测下一个词最可能是什么。手里拿到一份由大语言模型生成的论文初稿，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论，务实做法始终是自己动手去原始数据库里复核一遍，读起来可信的答案  。面对它给出的任何引用 、