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