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