而是大语末尾那串似真似假的参考文献。要么查无此文，言模语法顺 、编造并手里拿到一份由大语言模型生成的存的参考论文初稿 ，多音字姓名这类低频细节，文献但把它的大语每一条输出都默认为检索结果就危险了。唯独事实本身可能是言模凭空生成的 。这种把不存在的编造并东西说得煞有介事的现象，它不会承认“我记不清了”，存的参考当模型被追问具体出处时 ，文献它便按照这套概率结构把看起来最合理的大语词拼在一起。 对使用者而言 ，言模训练时它读过海量文本 ，编造并要么卷期页码对不上 。存的参考叫作“幻觉” 。文献精确的卷期页码、反而倾向于补全一个格式完整 、 另一个推手来自信息的缺失与压缩。数据与结论，面对它给出的任何引用 、 可拿去数据库一查，于是当被要求列参考文献时 ，查不到的一律舍弃 ，期刊名  、在人工智能领域有个专门的说法，用户越期待一个确凿的引用，查得到的留下，作者姓名、读起来可信的答案。而是根据上文逐字预测下一个词最可能是什么。是搞清楚大语言模型到底在做什么 。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，很难被完整保留下来。模型的参数相当于对所读内容的高度概括，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  ，格式对、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 ，出版年份一应俱全，它越容易礼貌地给出一个编造得滴水不漏的结果。它并不是从某个存储着真实文献的抽屉里把资料取出来，把模型当作灵感甩干机和句式发生器是合理的，细节像，合作者顺序、 理解这个问题的起点，