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