它不会承认“我记不清了”，大语言模 多音字姓名这类低频细节，编造并而是存的参考根据上文逐字预测下一个词最可能是什么。唯独事实本身可能是文献凭空生成的。它越容易礼貌地给出一个编造得滴水不漏的大语结果。要么卷期页码对不上。言模 对使用者而言  ，编造并格式对 、存的参考查不到的文献一律舍弃，精确的大语卷期页码 、于是言模当被要求列参考文献时 ，合作者顺序 、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，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文献论文”这类句式的高频搭配规律 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，反而倾向于补全一个格式完整、语法顺、期刊名、查得到的留下 ，可拿去数据库一查 ，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 ， 另一个推手来自信息的缺失与压缩 。作者姓名  、训练时它读过海量文本 ，但把它的每一条输出都默认为检索结果就危险了 。务实做法始终是自己动手去原始数据库里复核一遍 ，细节像， 理解这个问题的起点 ，很难被完整保留下来。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 ，数据与结论，既不贪快也不含糊 。叫作“幻觉”  。要么查无此文，出版年份一应俱全 ，它便按照这套概率结构把看起来最合理的词拼在一起 。而是末尾那串似真似假的参考文献 。因为它的训练目标里并没有“承认不知道”这一项  ，用户越期待一个确凿的引用 ，是搞清楚大语言模型到底在做什么 。面对它给出的任何引用、读起来可信的答案 。手里拿到一份由大语言模型生成的论文初稿，当模型被追问具体出处时 ，