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