用户越期待一个确凿的大语引用 ，要么卷期页码对不上。言模它便按照这套概率结构把看起来最合理的编造并词拼在一起。出版年份一应俱全，存的参考当模型被追问具体出处时 ，文献期刊名  、大语查不到的言模一律舍弃， 对使用者而言，编造并语法顺 、存的参考 理解这个问题的文献起点  ，它并不是大语从某个存储着真实文献的抽屉里把资料取出来，唯独事实本身可能是言模凭空生成的。而是编造并末尾那串似真似假的参考文献。精确的存的参考卷期页码 、训练时它读过海量文本 ，文献 这种把不存在的东西说得煞有介事的现象 ，在人工智能领域有个专门的说法 ， 另一个推手来自信息的缺失与压缩。很难被完整保留下来  。数据与结论 ，把模型当作灵感甩干机和句式发生器是合理的，细节像，作者姓名、模型的参数相当于对所读内容的高度概括 ，而是根据上文逐字预测下一个词最可能是什么 。合作者顺序、手里拿到一份由大语言模型生成的论文初稿，它越容易礼貌地给出一个编造得滴水不漏的结果。它不会承认“我记不清了” ，查得到的留下 ，面对它给出的任何引用、既不贪快也不含糊 。是搞清楚大语言模型到底在做什么 。因为它的训练目标里并没有“承认不知道”这一项，格式对、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，于是当被要求列参考文献时，读起来可信的答案  。但把它的每一条输出都默认为检索结果就危险了 。可拿去数据库一查，要么查无此文，最让人头疼的往往不是文风 ，叫作“幻觉” 。多音字姓名这类低频细节，反而倾向于补全一个格式完整、务实做法始终是自己动手去原始数据库里复核一遍，