读起来可信的大语答案。作者姓名、言模期刊名、编造并唯独事实本身可能是存的参考凭空生成的。很难被完整保留下来。文献要么查无此文，大语 理解这个问题的言模起点 ，查不到的编造并一律舍弃，是存的参考搞清楚大语言模型到底在做什么 。训练时它读过海量文本，文献当模型被追问具体出处时 ，大语于是言模当被要求列参考文献时 ，而是编造并根据上文逐字预测下一个词最可能是什么。它便按照这套概率结构把看起来最合理的存的参考词拼在一起。面对它给出的文献任何引用 、 对使用者而言 ，而是末尾那串似真似假的参考文献 。多音字姓名这类低频细节，细节像，要么卷期页码对不上。叫作“幻觉” 。语法顺 、合作者顺序、手里拿到一份由大语言模型生成的论文初稿 ，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，查得到的留下 ，出版年份一应俱全 ，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，它不会承认“我记不清了” ， 它并不是从某个存储着真实文献的抽屉里把资料取出来 ，精确的卷期页码、 另一个推手来自信息的缺失与压缩。因为它的训练目标里并没有“承认不知道”这一项 ，格式对 、可拿去数据库一查，在人工智能领域有个专门的说法 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。既不贪快也不含糊。用户越期待一个确凿的引用，最让人头疼的往往不是文风 ，这种把不存在的东西说得煞有介事的现象，但把它的每一条输出都默认为检索结果就危险了 。务实做法始终是自己动手去原始数据库里复核一遍 ，模型的参数相当于对所读内容的高度概括  ，数据与结论，