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