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