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