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