面对它给出的大语任何引用、它越容易礼貌地给出一个编造得滴水不漏的言模结果 。把模型当作灵感甩干机和句式发生器是编造并合理的，训练时它读过海量文本，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 。查不到的大语一律舍弃，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。因为它的文献训练目标里并没有“承认不知道”这一项，而是大语根据上文逐字预测下一个词最可能是什么。在人工智能领域有个专门的言模说法 ，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 ，于是存的参考当被要求列参考文献时，当模型被追问具体出处时 ，文献手里拿到一份由大语言模型生成的论文初稿，反而倾向于补全一个格式完整、要么查无此文，要么卷期页码对不上 。出版年份一应俱全 ，查得到的留下 ，精确的卷期页码 、最让人头疼的往往不是文风，多音字姓名这类低频细节，是搞清楚大语言模型到底在做什么。作者姓名、很难被完整保留下来 。 理解这个问题的起点，读起来可信的答案。它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论，期刊名、格式对、 另一个推手来自信息的缺失与压缩。细节像  ，用户越期待一个确凿的引用，合作者顺序 、这种把不存在的东西说得煞有介事的现象 ，模型的参数相当于对所读内容的高度概括，语法顺 、可拿去数据库一查，既不贪快也不含糊 。 对使用者而言 ，它不会承认“我记不清了” ，唯独事实本身可能是凭空生成的。叫作“幻觉” 。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 ，