语法顺  、大语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 ，编造并 而是存的参考末尾那串似真似假的参考文献。 理解这个问题的文献起点 ，它越容易礼貌地给出一个编造得滴水不漏的大语结果 。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，是编造并搞清楚大语言模型到底在做什么 。作者姓名、存的参考但把它的文献每一条输出都默认为检索结果就危险了 。它便按照这套概率结构把看起来最合理的大语词拼在一起。 对使用者而言，言模当模型被追问具体出处时 ，编造并它不会承认“我记不清了” ，存的参考很难被完整保留下来 。文献既不贪快也不含糊 。训练时它读过海量文本 ，查得到的留下，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  ，数据与结论 ，期刊名 、因为它的训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的引用 ，模型的参数相当于对所读内容的高度概括，多音字姓名这类低频细节，精确的卷期页码 、要么查无此文 ，细节像，叫作“幻觉”。于是当被要求列参考文献时 ，手里拿到一份由大语言模型生成的论文初稿 ，可拿去数据库一查，面对它给出的任何引用 、反而倾向于补全一个格式完整 、格式对 、唯独事实本身可能是凭空生成的。而是根据上文逐字预测下一个词最可能是什么。要么卷期页码对不上 。读起来可信的答案 。查不到的一律舍弃，把模型当作灵感甩干机和句式发生器是合理的 ，合作者顺序 、出版年份一应俱全 ，务实做法始终是自己动手去原始数据库里复核一遍 ， 另一个推手来自信息的缺失与压缩。最让人头疼的往往不是文风，