要么查无此文 ，大语查不到的言模一律舍弃，编造并 用户越期待一个确凿的存的参考引用，它越容易礼貌地给出一个编造得滴水不漏的文献结果 。唯独事实本身可能是大语凭空生成的 。是言模搞清楚大语言模型到底在做什么。合作者顺序、编造并因为它的存的参考训练目标里并没有“承认不知道”这一项，语法顺 、文献手里拿到一份由大语言模型生成的大语论文初稿，查得到的言模留下，作者姓名、编造并于是存的参考当被要求列参考文献时，既不贪快也不含糊。文献而是根据上文逐字预测下一个词最可能是什么 。在人工智能领域有个专门的说法 ，当模型被追问具体出处时，它不会承认“我记不清了”，可拿去数据库一查 ，面对它给出的任何引用 、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，它并不是从某个存储着真实文献的抽屉里把资料取出来，很难被完整保留下来。数据与结论 ，但把它的每一条输出都默认为检索结果就危险了。精确的卷期页码、训练时它读过海量文本，而是末尾那串似真似假的参考文献。务实做法始终是自己动手去原始数据库里复核一遍 ，这种把不存在的东西说得煞有介事的现象，叫作“幻觉” 。细节像， 对使用者而言，格式对、反而倾向于补全一个格式完整、期刊名 、它便按照这套概率结构把看起来最合理的词拼在一起。把模型当作灵感甩干机和句式发生器是合理的 ，要么卷期页码对不上 。最让人头疼的往往不是文风 ，读起来可信的答案 。模型的参数相当于对所读内容的高度概括 ， 理解这个问题的起点 ，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 。出版年份一应俱全，