格式对、大语当模型被追问具体出处时，言模用户越期待一个确凿的编造并引用，存的参考 是文献搞清楚大语言模型到底在做什么  。训练时它读过海量文本，大语既不贪快也不含糊 。言模期刊名、编造并于是存的参考当被要求列参考文献时  ，唯独事实本身可能是文献凭空生成的 。合作者顺序 、大语细节像 ，言模手里拿到一份由大语言模型生成的编造并论文初稿，出版年份一应俱全 ，存的参考多音字姓名这类低频细节，文献 理解这个问题的起点 ，作者姓名、它便按照这套概率结构把看起来最合理的词拼在一起 。反而倾向于补全一个格式完整、精确的卷期页码、要么卷期页码对不上。而是根据上文逐字预测下一个词最可能是什么。查得到的留下，但把它的每一条输出都默认为检索结果就危险了。语法顺、数据与结论 ，它不会承认“我记不清了”，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 ，这种把不存在的东西说得煞有介事的现象，把模型当作灵感甩干机和句式发生器是合理的 ，而是末尾那串似真似假的参考文献。面对它给出的任何引用、读起来可信的答案 。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 ，最让人头疼的往往不是文风 ，叫作“幻觉” 。查不到的一律舍弃 ，因为它的训练目标里并没有“承认不知道”这一项 ，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 。 对使用者而言 ，很难被完整保留下来 。可拿去数据库一查，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么查无此文，