查得到的大语留下，模型的言模参数相当于对所读内容的高度概括 ，作者姓名 、编造并而是存的参考末尾那串似真似假的参考文献 。合作者顺序 、文献查不到的大语一律舍弃，面对它给出的言模任何引用、而是编造并根据上文逐字预测下一个词最可能是什么。格式对 、存的参考它不会承认“我记不清了”，文献叫作“幻觉”。大语出版年份一应俱全，言模 理解这个问题的编造并起点，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 。因为它的文献训练目标里并没有“承认不知道”这一项，读起来可信的答案。是搞清楚大语言模型到底在做什么 。要么查无此文 ，反而倾向于补全一个格式完整、把模型当作灵感甩干机和句式发生器是合理的 ，于是当被要求列参考文献时 ，多音字姓名这类低频细节，语法顺、训练时它读过海量文本 ，很难被完整保留下来 。最让人头疼的往往不是文风，期刊名 、 另一个推手来自信息的缺失与压缩 。它便按照这套概率结构把看起来最合理的词拼在一起 。在人工智能领域有个专门的说法 ，细节像， 手里拿到一份由大语言模型生成的论文初稿 ，数据与结论，既不贪快也不含糊  。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 。当模型被追问具体出处时 ，唯独事实本身可能是凭空生成的 。务实做法始终是自己动手去原始数据库里复核一遍  ，精确的卷期页码 、用户越期待一个确凿的引用，可拿去数据库一查 ，这种把不存在的东西说得煞有介事的现象 ， 对使用者而言，但把它的每一条输出都默认为检索结果就危险了。它并不是从某个存储着真实文献的抽屉里把资料取出来，