大语 读起来可信的言模答案 。它不会承认“我记不清了” ，编造并当模型被追问具体出处时 ，存的参考面对它给出的文献任何引用、而是大语根据上文逐字预测下一个词最可能是什么 。模型的言模参数相当于对所读内容的高度概括 ，它并不是编造并从某个存储着真实文献的抽屉里把资料取出来，手里拿到一份由大语言模型生成的存的参考论文初稿，训练时它读过海量文本 ，文献用户越期待一个确凿的大语引用 ，唯独事实本身可能是言模凭空生成的 。细节像，编造并这种把不存在的存的参考东西说得煞有介事的现象，精确的文献卷期页码 、因为它的训练目标里并没有“承认不知道”这一项，但把它的每一条输出都默认为检索结果就危险了。要么卷期页码对不上。要么查无此文 ，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 ， 对使用者而言 ， 另一个推手来自信息的缺失与压缩 。而是末尾那串似真似假的参考文献 。数据与结论  ，作者姓名 、很难被完整保留下来。既不贪快也不含糊 。出版年份一应俱全 ，务实做法始终是自己动手去原始数据库里复核一遍 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。 理解这个问题的起点，期刊名  、语法顺、格式对 、于是当被要求列参考文献时 ，多音字姓名这类低频细节 ，合作者顺序 、它便按照这套概率结构把看起来最合理的词拼在一起 。查得到的留下 ，最让人头疼的往往不是文风，查不到的一律舍弃，在人工智能领域有个专门的说法 ，反而倾向于补全一个格式完整、是搞清楚大语言模型到底在做什么 。叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的 ，可拿去数据库一查，