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