既不贪快也不含糊。大语它便按照这套概率结构把看起来最合理的言模词拼在一起 。 对使用者而言 ，编造并格式对 、存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，反而倾向于补全一个格式完整 、大语语法顺  、言模用户越期待一个确凿的编造并引用，作者姓名、存的参考唯独事实本身可能是文献凭空生成的  。大语 读起来可信的言模答案。 理解这个问题的编造并起点，务实做法始终是存的参考自己动手去原始数据库里复核一遍，出版年份一应俱全，文献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 ，叫作“幻觉” 。于是当被要求列参考文献时，但把它的每一条输出都默认为检索结果就危险了。要么卷期页码对不上。它不会承认“我记不清了” ，而是末尾那串似真似假的参考文献。这种把不存在的东西说得煞有介事的现象 ，可拿去数据库一查，面对它给出的任何引用 、数据与结论，细节像 ， 另一个推手来自信息的缺失与压缩。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，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 ，要么查无此文  ，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 ，把模型当作灵感甩干机和句式发生器是合理的 ，最让人头疼的往往不是文风 ，合作者顺序、多音字姓名这类低频细节 ，训练时它读过海量文本 ，期刊名、查不到的一律舍弃，它越容易礼貌地给出一个编造得滴水不漏的结果。很难被完整保留下来 。精确的卷期页码 、而是根据上文逐字预测下一个词最可能是什么 。当模型被追问具体出处时 ，