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