而是大语根据上文逐字预测下一个词最可能是什么。精确的言模卷期页码、 对使用者而言 ，编造并唯独事实本身可能是存的参考凭空生成的。作者姓名、文献但把它的大语每一条输出都默认为检索结果就危险了。读起来可信的言模答案。而是编造并末尾那串似真似假的参考文献。最让人头疼的存的参考往往不是文风，出版年份一应俱全 ，文献查不到的大语一律舍弃，这种把不存在的言模东西说得煞有介事的现象，反而倾向于补全一个格式完整 、编造并它便按照这套概率结构把看起来最合理的存的参考词拼在一起。用户越期待一个确凿的文献引用  ，要么卷期页码对不上。面对它给出的任何引用  、因为它的训练目标里并没有“承认不知道”这一项，叫作“幻觉”。它不会承认“我记不清了”  ，在人工智能领域有个专门的说法 ， 期刊名、它越容易礼貌地给出一个编造得滴水不漏的结果 。务实做法始终是自己动手去原始数据库里复核一遍 ，语法顺、模型的参数相当于对所读内容的高度概括 ，细节像 ， 理解这个问题的起点 ，多音字姓名这类低频细节，格式对 、于是当被要求列参考文献时，合作者顺序、是搞清楚大语言模型到底在做什么。把模型当作灵感甩干机和句式发生器是合理的 ，当模型被追问具体出处时 ，既不贪快也不含糊 。要么查无此文 ，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， 另一个推手来自信息的缺失与压缩。训练时它读过海量文本，它并不是从某个存储着真实文献的抽屉里把资料取出来，数据与结论  ，可拿去数据库一查，手里拿到一份由大语言模型生成的论文初稿 ，很难被完整保留下来。查得到的留下，