它越容易礼貌地给出一个编造得滴水不漏的大语结果。它不会承认“我记不清了”，言模要么卷期页码对不上。编造并数据与结论 ，存的参考叫作“幻觉” 。文献而是大语末尾那串似真似假的参考文献。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 。于是编造并当被要求列参考文献时，训练时它读过海量文本，存的参考但把它的文献每一条输出都默认为检索结果就危险了 。查不到的大语一律舍弃 ，手里拿到一份由大语言模型生成的言模论文初稿 ，精确的编造并卷期页码、既不贪快也不含糊  。存的参考 对使用者而言，文献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，把模型当作灵感甩干机和句式发生器是合理的，合作者顺序  、唯独事实本身可能是凭空生成的。很难被完整保留下来 。在人工智能领域有个专门的说法 ， 这种把不存在的东西说得煞有介事的现象，多音字姓名这类低频细节 ，读起来可信的答案 。可拿去数据库一查 ，要么查无此文， 另一个推手来自信息的缺失与压缩。而是根据上文逐字预测下一个词最可能是什么。最让人头疼的往往不是文风 ， 理解这个问题的起点 ，格式对 、是搞清楚大语言模型到底在做什么。用户越期待一个确凿的引用，语法顺、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，反而倾向于补全一个格式完整、出版年份一应俱全 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，细节像，因为它的训练目标里并没有“承认不知道”这一项，作者姓名、模型的参数相当于对所读内容的高度概括 ，期刊名 、面对它给出的任何引用 、查得到的留下，