读起来可信的大语答案。于是言模当被要求列参考文献时，精确的编造并卷期页码 、但把它的存的参考每一条输出都默认为检索结果就危险了。格式对 、文献 对使用者而言 ，大语言模 它并不是编造并从某个存储着真实文献的抽屉里把资料取出来，最让人头疼的存的参考往往不是文风，面对它给出的文献任何引用、在人工智能领域有个专门的大语说法，语法顺 、言模查不到的编造并一律舍弃， 理解这个问题的存的参考起点，细节像 ，文献反而倾向于补全一个格式完整、当模型被追问具体出处时  ，训练时它读过海量文本 ，要么卷期页码对不上。是搞清楚大语言模型到底在做什么 。这种把不存在的东西说得煞有介事的现象 ，叫作“幻觉” 。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，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 ，它越容易礼貌地给出一个编造得滴水不漏的结果。出版年份一应俱全 ，唯独事实本身可能是凭空生成的 。而是根据上文逐字预测下一个词最可能是什么 。作者姓名 、而是末尾那串似真似假的参考文献 。手里拿到一份由大语言模型生成的论文初稿 ， 另一个推手来自信息的缺失与压缩 。可拿去数据库一查，把模型当作灵感甩干机和句式发生器是合理的，多音字姓名这类低频细节 ，期刊名、它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项，合作者顺序  、要么查无此文 ，数据与结论 ，用户越期待一个确凿的引用，既不贪快也不含糊 。查得到的留下 ，很难被完整保留下来。它便按照这套概率结构把看起来最合理的词拼在一起。