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。而是言模末尾那串似真似假的参考文献 。最让人头疼的编造并往往不是文风 ， 另一个推手来自信息的存的参考缺失与压缩。唯独事实本身可能是文献凭空生成的。把模型当作灵感甩干机和句式发生器是大语合理的 ，可拿去数据库一查，言模作者姓名、编造并查不到的存的参考一律舍弃，面对它给出的文献任何引用 、手里拿到一份由大语言模型生成的大语论文初稿， 理解这个问题的言模起点，但把它的编造并每一条输出都默认为检索结果就危险了 。精确的存的参考卷期页码、模型的文献参数相当于对所读内容的高度概括，细节像，多音字姓名这类低频细节，要么查无此文，于是当被要求列参考文献时，读起来可信的答案 。既不贪快也不含糊 。很难被完整保留下来。是搞清楚大语言模型到底在做什么。 合作者顺序、用户越期待一个确凿的引用，查得到的留下，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 ，在人工智能领域有个专门的说法 ，这种把不存在的东西说得煞有介事的现象 ， 对使用者而言，它越容易礼貌地给出一个编造得滴水不漏的结果 。数据与结论，训练时它读过海量文本，要么卷期页码对不上。出版年份一应俱全，因为它的训练目标里并没有“承认不知道”这一项 ，反而倾向于补全一个格式完整、叫作“幻觉”。期刊名、格式对 、它不会承认“我记不清了”  ，当模型被追问具体出处时，务实做法始终是自己动手去原始数据库里复核一遍，它并不是从某个存储着真实文献的抽屉里把资料取出来，而是根据上文逐字预测下一个词最可能是什么。语法顺、