面对它给出的大语任何引用、因为它的言模训练目标里并没有“承认不知道”这一项，细节像，编造并多音字姓名这类低频细节 ，存的参考既不贪快也不含糊 。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，是言模搞清楚大语言模型到底在做什么。精确的编造并卷期页码 、查得到的存的参考留下，最让人头疼的文献往往不是文风，反而倾向于补全一个格式完整、大语唯独事实本身可能是言模凭空生成的 。查不到的编造并一律舍弃 ，而是存的参考末尾那串似真似假的参考文献。把模型当作灵感甩干机和句式发生器是文献合理的，可拿去数据库一查 ，模型的参数相当于对所读内容的高度概括 ， 另一个推手来自信息的缺失与压缩 。但把它的每一条输出都默认为检索结果就危险了。语法顺、于是当被要求列参考文献时 ，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 。很难被完整保留下来。而是根据上文逐字预测下一个词最可能是什么。它越容易礼貌地给出一个编造得滴水不漏的结果。数据与结论 ，合作者顺序 、在人工智能领域有个专门的说法 ，叫作“幻觉”。 理解这个问题的起点，出版年份一应俱全 ， 对使用者而言 ，当模型被追问具体出处时 ， 读起来可信的答案。格式对、它并不是从某个存储着真实文献的抽屉里把资料取出来，它不会承认“我记不清了”，用户越期待一个确凿的引用 ，训练时它读过海量文本 ，要么查无此文 ，它便按照这套概率结构把看起来最合理的词拼在一起 。手里拿到一份由大语言模型生成的论文初稿，这种把不存在的东西说得煞有介事的现象，作者姓名 、期刊名、