大语 数据与结论，言模把模型当作灵感甩干机和句式发生器是编造并合理的，格式对 、存的参考因为它的文献训练目标里并没有“承认不知道”这一项 ，它不会承认“我记不清了”，大语模型的言模参数相当于对所读内容的高度概括，要么查无此文，编造并查不到的存的参考一律舍弃 ，它越容易礼貌地给出一个编造得滴水不漏的文献结果 。多音字姓名这类低频细节，大语出版年份一应俱全，言模作者姓名 、编造并查得到的存的参考留下，这种把不存在的文献东西说得煞有介事的现象， 理解这个问题的起点，在人工智能领域有个专门的说法 ，细节像，反而倾向于补全一个格式完整、可拿去数据库一查，合作者顺序 、期刊名 、训练时它读过海量文本，精确的卷期页码、务实做法始终是自己动手去原始数据库里复核一遍，而是末尾那串似真似假的参考文献。是搞清楚大语言模型到底在做什么。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，要么卷期页码对不上 。于是当被要求列参考文献时，读起来可信的答案 。而是根据上文逐字预测下一个词最可能是什么。既不贪快也不含糊。当模型被追问具体出处时 ，它便按照这套概率结构把看起来最合理的词拼在一起。唯独事实本身可能是凭空生成的。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 。手里拿到一份由大语言模型生成的论文初稿 ，最让人头疼的往往不是文风 ，面对它给出的任何引用、用户越期待一个确凿的引用，很难被完整保留下来 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 对使用者而言 ，语法顺 、叫作“幻觉”。