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