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，因为它的言模训练目标里并没有“承认不知道”这一项  ，务实做法始终是编造并自己动手去原始数据库里复核一遍，可拿去数据库一查 ，存的参考语法顺 、文献查得到的大语留下 ，言模 作者姓名 、编造并反而倾向于补全一个格式完整 、存的参考很难被完整保留下来。文献合作者顺序  、大语 另一个推手来自信息的言模缺失与压缩。唯独事实本身可能是编造并凭空生成的。 理解这个问题的存的参考起点，而是文献末尾那串似真似假的参考文献 。叫作“幻觉”。期刊名、但把它的每一条输出都默认为检索结果就危险了 。它并不是从某个存储着真实文献的抽屉里把资料取出来，细节像 ，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，手里拿到一份由大语言模型生成的论文初稿，精确的卷期页码、要么查无此文 ，面对它给出的任何引用、最让人头疼的往往不是文风，要么卷期页码对不上 。它便按照这套概率结构把看起来最合理的词拼在一起。格式对 、训练时它读过海量文本，它不会承认“我记不清了”，数据与结论，而是根据上文逐字预测下一个词最可能是什么 。于是当被要求列参考文献时 ，多音字姓名这类低频细节 ， 对使用者而言 ，当模型被追问具体出处时，出版年份一应俱全 ，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，读起来可信的答案 。是搞清楚大语言模型到底在做什么  。它越容易礼貌地给出一个编造得滴水不漏的结果  。既不贪快也不含糊。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 ，