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