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