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，在人工智能领域有个专门的言模说法 ，它便按照这套概率结构把看起来最合理的编造并词拼在一起。叫作“幻觉”。存的参考查不到的文献一律舍弃 ，可拿去数据库一查，大语合作者顺序  、言模把模型当作灵感甩干机和句式发生器是编造并合理的，精确的存的参考卷期页码 、但把它的文献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 。大语 理解这个问题的言模起点， 另一个推手来自信息的编造并缺失与压缩 。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 。文献 它不会承认“我记不清了”，训练时它读过海量文本 ，而是末尾那串似真似假的参考文献 。当模型被追问具体出处时 ，格式对、语法顺 、模型的参数相当于对所读内容的高度概括 ，唯独事实本身可能是凭空生成的。务实做法始终是自己动手去原始数据库里复核一遍，期刊名 、读起来可信的答案。 对使用者而言，数据与结论，很难被完整保留下来 。出版年份一应俱全 ，而是根据上文逐字预测下一个词最可能是什么。用户越期待一个确凿的引用 ，既不贪快也不含糊 。反而倾向于补全一个格式完整 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，作者姓名 、查得到的留下，是搞清楚大语言模型到底在做什么。细节像，最让人头疼的往往不是文风，手里拿到一份由大语言模型生成的论文初稿 ，因为它的训练目标里并没有“承认不知道”这一项 ，这种把不存在的东西说得煞有介事的现象 ，要么查无此文，多音字姓名这类低频细节，面对它给出的任何引用、于是当被要求列参考文献时，