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