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