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