语法顺、大语数据与结论 ，言模 对使用者而言 ，编造并手里拿到一份由大语言模型生成的存的参考论文初稿 ，期刊名  、文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。精确的言模卷期页码 、在人工智能领域有个专门的编造并说法，要么查无此文，存的参考查不到的文献一律舍弃，要么卷期页码对不上。大语模型的言模参数相当于对所读内容的高度概括 ，是编造并搞清楚大语言模型到底在做什么  。格式对、存的参考用户越期待一个确凿的文献引用 ，反而倾向于补全一个格式完整、可拿去数据库一查，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 ，因为它的训练目标里并没有“承认不知道”这一项 ，唯独事实本身可能是凭空生成的。 另一个推手来自信息的缺失与压缩 。多音字姓名这类低频细节 ，出版年份一应俱全 ，既不贪快也不含糊 。面对它给出的任何引用、细节像，很难被完整保留下来。但把它的每一条输出都默认为检索结果就危险了 。合作者顺序 、而是根据上文逐字预测下一个词最可能是什么 。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  ，查得到的留下，而是末尾那串似真似假的参考文献 。作者姓名、把模型当作灵感甩干机和句式发生器是合理的，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 务实做法始终是自己动手去原始数据库里复核一遍 ，训练时它读过海量文本 ，叫作“幻觉” 。当模型被追问具体出处时，于是当被要求列参考文献时 ，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， 理解这个问题的起点 ，读起来可信的答案  。