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