用户越期待一个确凿的大语引用 ，而是言模末尾那串似真似假的参考文献。可拿去数据库一查 ，编造并 理解这个问题的存的参考起点 ，它便按照这套概率结构把看起来最合理的文献词拼在一起。很难被完整保留下来。大语精确的言模卷期页码 、模型的编造并参数相当于对所读内容的高度概括，这种把不存在的存的参考东西说得煞有介事的现象，反而倾向于补全一个格式完整 、文献合作者顺序 、大语既不贪快也不含糊。言模面对它给出的编造并任何引用 、手里拿到一份由大语言模型生成的存的参考论文初稿，它不会承认“我记不清了”，文献唯独事实本身可能是凭空生成的 。 对使用者而言  ，作者姓名、细节像，它越容易礼貌地给出一个编造得滴水不漏的结果。期刊名 、语法顺 、在人工智能领域有个专门的说法 ，训练时它读过海量文本，数据与结论  ，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” 。但把它的每一条输出都默认为检索结果就危险了 。格式对 、而是根据上文逐字预测下一个词最可能是什么 。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 。读起来可信的答案。查得到的留下， 出版年份一应俱全，是搞清楚大语言模型到底在做什么 。因为它的训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是合理的 ，当模型被追问具体出处时，要么查无此文，查不到的一律舍弃 ，于是当被要求列参考文献时 ，要么卷期页码对不上 。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 ，最让人头疼的往往不是文风 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，