格式对 、大语它越容易礼貌地给出一个编造得滴水不漏的言模结果 。语法顺、编造并唯独事实本身可能是存的参考凭空生成的   。训练时它读过海量文本  ，文献多音字姓名这类低频细节 ，大语面对它给出的言模任何引用 、但把它的编造并每一条输出都默认为检索结果就危险了 。作者姓名 、存的参考 另一个推手来自信息的文献缺失与压缩。因为它的大语训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的言模引用，这种把不存在的编造并东西说得煞有介事的现象，而是存的参考根据上文逐字预测下一个词最可能是什么。反而倾向于补全一个格式完整、文献当模型被追问具体出处时，把模型当作灵感甩干机和句式发生器是合理的，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”。期刊名 、数据与结论，它并不是从某个存储着真实文献的抽屉里把资料取出来，可拿去数据库一查，要么查无此文 ，要么卷期页码对不上。是搞清楚大语言模型到底在做什么。最让人头疼的往往不是文风，务实做法始终是自己动手去原始数据库里复核一遍 ，手里拿到一份由大语言模型生成的论文初稿 ， 对使用者而言，查不到的一律舍弃，出版年份一应俱全 ，它不会承认“我记不清了”，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。读起来可信的答案 。 理解这个问题的起点 ，于是当被要求列参考文献时，既不贪快也不含糊。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， 而是末尾那串似真似假的参考文献。精确的卷期页码、很难被完整保留下来 。细节像，合作者顺序  、