语法顺 、大语作者姓名 、言模反而倾向于补全一个格式完整 、编造并存的参考 出版年份一应俱全，文献查得到的大语留下 ，它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，它越容易礼貌地给出一个编造得滴水不漏的编造并结果。很难被完整保留下来。存的参考它便按照这套概率结构把看起来最合理的文献词拼在一起。训练时它读过海量文本，大语 对使用者而言 ，言模 理解这个问题的编造并起点，手里拿到一份由大语言模型生成的存的参考论文初稿，细节像，文献 另一个推手来自信息的缺失与压缩。这种把不存在的东西说得煞有介事的现象，要么查无此文，精确的卷期页码、读起来可信的答案 。合作者顺序、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，面对它给出的任何引用、格式对 、既不贪快也不含糊 。当模型被追问具体出处时  ，在人工智能领域有个专门的说法，叫作“幻觉”。期刊名、于是当被要求列参考文献时，用户越期待一个确凿的引用 ，数据与结论，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 ，务实做法始终是自己动手去原始数据库里复核一遍，但把它的每一条输出都默认为检索结果就危险了 。而是根据上文逐字预测下一个词最可能是什么 。模型的参数相当于对所读内容的高度概括，最让人头疼的往往不是文风，要么卷期页码对不上  。而是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合理的 ，查不到的一律舍弃，唯独事实本身可能是凭空生成的 。多音字姓名这类低频细节 ，可拿去数据库一查 ，是搞清楚大语言模型到底在做什么。