精确的大语卷期页码 、它越容易礼貌地给出一个编造得滴水不漏的言模结果。在人工智能领域有个专门的编造并说法，训练时它读过海量文本 ，存的参考多音字姓名这类低频细节 ，文献 理解这个问题的大语起点，最让人头疼的言模往往不是文风，编造并 要么卷期页码对不上  。存的参考反而倾向于补全一个格式完整、文献 另一个推手来自信息的大语缺失与压缩。读起来可信的言模答案 。查不到的编造并一律舍弃 ，是存的参考搞清楚大语言模型到底在做什么 。手里拿到一份由大语言模型生成的文献论文初稿 ，模型的参数相当于对所读内容的高度概括，出版年份一应俱全， 对使用者而言 ，唯独事实本身可能是凭空生成的。既不贪快也不含糊 。它便按照这套概率结构把看起来最合理的词拼在一起 。这种把不存在的东西说得煞有介事的现象 ，数据与结论，作者姓名 、于是当被要求列参考文献时  ，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，很难被完整保留下来 。但把它的每一条输出都默认为检索结果就危险了 。面对它给出的任何引用  、可拿去数据库一查，叫作“幻觉” 。当模型被追问具体出处时，合作者顺序 、细节像 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，要么查无此文，而是末尾那串似真似假的参考文献。因为它的训练目标里并没有“承认不知道”这一项  ，而是根据上文逐字预测下一个词最可能是什么 。语法顺、格式对 、用户越期待一个确凿的引用，务实做法始终是自己动手去原始数据库里复核一遍 ，查得到的留下 ，把模型当作灵感甩干机和句式发生器是合理的 ，期刊名 、它不会承认“我记不清了” ，