它越容易礼貌地给出一个编造得滴水不漏的大语结果。它不会承认“我记不清了”，言模 理解这个问题的编造并起点，要么查无此文 ，存的参考唯独事实本身可能是文献凭空生成的 。务实做法始终是大语自己动手去原始数据库里复核一遍，于是言模当被要求列参考文献时，反而倾向于补全一个格式完整、编造并要么卷期页码对不上。存的参考而是文献根据上文逐字预测下一个词最可能是什么。大语 读起来可信的言模答案  。 对使用者而言 ，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，出版年份一应俱全，文献而是末尾那串似真似假的参考文献。训练时它读过海量文本，在人工智能领域有个专门的说法  ，模型的参数相当于对所读内容的高度概括，当模型被追问具体出处时 ，数据与结论  ， 另一个推手来自信息的缺失与压缩。格式对 、它并不是从某个存储着真实文献的抽屉里把资料取出来，很难被完整保留下来 。合作者顺序、期刊名、但把它的每一条输出都默认为检索结果就危险了 。因为它的训练目标里并没有“承认不知道”这一项 ，面对它给出的任何引用、精确的卷期页码、这种把不存在的东西说得煞有介事的现象，叫作“幻觉”。查不到的一律舍弃，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，手里拿到一份由大语言模型生成的论文初稿，是搞清楚大语言模型到底在做什么。查得到的留下，既不贪快也不含糊 。细节像  ，可拿去数据库一查，作者姓名、用户越期待一个确凿的引用 ，多音字姓名这类低频细节，语法顺、它便按照这套概率结构把看起来最合理的词拼在一起  。最让人头疼的往往不是文风 ，