一句话定义：逐字复现（Verbatim Memorization）指语言模型在合适的提示下，把训练语料里出现过的文本片段原封不动地吐出来——标点、换行、错别字都一模一样。
它是怎么发生的
模型里并没有一个"原文仓库"。训练时它做的事更像压缩：把海量文本压进一堆参数里，让"给定前文，下一个词是什么"这个预测尽量准。当某段文字在语料里反复出现（开源许可证、代码模板、常见问答、歌词、合同条款），或者这段文字本身高度固定、上下文几乎只有一种接法，模型对下一个词的预测就会逼近确定值。于是你给它足够长的开头，它就能一路顺下去，把整段吐出来。
打个比方：一首歌听了几百遍，副歌一响，嘴就自动接上下一句。这不是你懂乐理，是序列被刻进了肌肉记忆。模型的"肌肉"就是参数里的概率分布。
和相邻概念的区别
| 概念 | 一句话 | 换个问法会怎样 |
|---|---|---|
| 逐字复现 | 原样吐出训练语料片段 | 换成同义问法，往往就吐不出来了 |
| 学到了知识 | 学到可泛化的关系，如"巴黎是法国首都" | 怎么问都能答对 |
| 幻觉 | 编出不存在的内容 | 自信但错误 |
| 检索增强 | 先从外部库取原文再引用 | 有出处，可核查 |
关键区别在于：逐字复现是"表层字符串"层面的复制，知识是"关系"层面的抽象。模型能背出某段话，不代表它理解这段话，也不代表它能拿这段话做推理。
对从业者和普通人的意义
- 数据侧：训练前去重、清洗能明显降低复现概率，反复出现的文本最容易被记住。具体做法和阈值以各家官方文档为准。
- 风险侧：逐字复现是隐私泄露、版权争议、密钥与内部文档外泄的主要通道。评测时常用"金丝雀串"（canary string）或长前缀探测来测泄露。
- 使用侧：看到模型大段背出某篇文章，别直接当成"它读过并理解了"；反过来，如果业务要求输出可溯源，检索增强比指望模型"记住"更靠谱。
一句话收尾：逐字复现是压缩带来的副作用，不是记忆的证明。