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