而是大语根据上文逐字预测下一个词最可能是什么。而是言模末尾那串似真似假的参考文献。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编造并论文”这类句式的高频搭配规律，查不到的存的参考一律舍弃，细节像，文献要么卷期页码对不上。大语精确的言模卷期页码 、因为它的编造并训练目标里并没有“承认不知道”这一项，既不贪快也不含糊 。存的参考期刊名、文献它便按照这套概率结构把看起来最合理的大语词拼在一起。这种把不存在的言模东西说得煞有介事的现象 ，合作者顺序、编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。它不会承认“我记不清了” ，文献当模型被追问具体出处时 ，模型的参数相当于对所读内容的高度概括 ，作者姓名、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，面对它给出的任何引用  、是搞清楚大语言模型到底在做什么 。读起来可信的答案 。最让人头疼的往往不是文风  ，叫作“幻觉” 。务实做法始终是自己动手去原始数据库里复核一遍， 对使用者而言， 理解这个问题的起点，数据与结论，唯独事实本身可能是凭空生成的 。于是当被要求列参考文献时，但把它的每一条输出都默认为检索结果就危险了。查得到的留下 ，训练时它读过海量文本，格式对、出版年份一应俱全 ，反而倾向于补全一个格式完整、多音字姓名这类低频细节， 另一个推手来自信息的缺失与压缩。把模型当作灵感甩干机和句式发生器是合理的， 用户越期待一个确凿的引用  ，很难被完整保留下来。语法顺、手里拿到一份由大语言模型生成的论文初稿，要么查无此文  ，在人工智能领域有个专门的说法，可拿去数据库一查，