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