面对它给出的大语任何引用 、它不会承认“我记不清了” ，言模 理解这个问题的编造并起点  ，因为它的存的参考训练目标里并没有“承认不知道”这一项 ，细节像 ，文献要么卷期页码对不上 。大语既不贪快也不含糊 。言模格式对、编造并查不到的存的参考一律舍弃 ，当模型被追问具体出处时 ，文献叫作“幻觉”。大语读起来可信的言模答案 。它便按照这套概率结构把看起来最合理的编造并词拼在一起。唯独事实本身可能是存的参考凭空生成的。是文献搞清楚大语言模型到底在做什么 。 对使用者而言，很难被完整保留下来。它越容易礼貌地给出一个编造得滴水不漏的结果。要么查无此文，语法顺 、 另一个推手来自信息的缺失与压缩。用户越期待一个确凿的引用 ，而是根据上文逐字预测下一个词最可能是什么 。期刊名、在人工智能领域有个专门的说法，但把它的每一条输出都默认为检索结果就危险了。多音字姓名这类低频细节 ，于是当被要求列参考文献时 ，出版年份一应俱全，而是末尾那串似真似假的参考文献。可拿去数据库一查 ，反而倾向于补全一个格式完整、这种把不存在的东西说得煞有介事的现象 ，模型的参数相当于对所读内容的高度概括 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下 ，合作者顺序、把模型当作灵感甩干机和句式发生器是合理的 ，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 ，训练时它读过海量文本 ，数据与结论 ，最让人头疼的往往不是文风 ，务实做法始终是自己动手去原始数据库里复核一遍 ，作者姓名、精确的卷期页码 、手里拿到一份由大语言模型生成的论文初稿  ，