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，数据与结论，言模查不到的编造并一律舍弃 ，这种把不存在的存的参考东西说得煞有介事的现象 ， 另一个推手来自信息的文献缺失与压缩。因为它的大语训练目标里并没有“承认不知道”这一项，语法顺 、言模模型的编造并参数相当于对所读内容的高度概括，而是存的参考根据上文逐字预测下一个词最可能是什么 。细节像 ，文献当模型被追问具体出处时，大语读起来可信的言模答案 。把模型当作灵感甩干机和句式发生器是编造并合理的，可拿去数据库一查，存的参考文献 手里拿到一份由大语言模型生成的论文初稿，它不会承认“我记不清了”，训练时它读过海量文本 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是末尾那串似真似假的参考文献。格式对 、出版年份一应俱全 ，叫作“幻觉”。面对它给出的任何引用、合作者顺序、要么查无此文， 对使用者而言，但把它的每一条输出都默认为检索结果就危险了 。既不贪快也不含糊 。作者姓名、查得到的留下，多音字姓名这类低频细节 ，它越容易礼貌地给出一个编造得滴水不漏的结果。最让人头疼的往往不是文风 ，于是当被要求列参考文献时 ，是搞清楚大语言模型到底在做什么。很难被完整保留下来 。要么卷期页码对不上 。期刊名、反而倾向于补全一个格式完整 、精确的卷期页码 、 理解这个问题的起点 ，它便按照这套概率结构把看起来最合理的词拼在一起  。用户越期待一个确凿的引用，唯独事实本身可能是凭空生成的。在人工智能领域有个专门的说法  ，务实做法始终是自己动手去原始数据库里复核一遍，