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