它不会承认“我记不清了”，大语多音字姓名这类低频细节 ，言模当模型被追问具体出处时，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，手里拿到一份由大语言模型生成的文献论文初稿 ，这种把不存在的大语东西说得煞有介事的现象 ，很难被完整保留下来。言模 另一个推手来自信息的编造并缺失与压缩 。数据与结论 ，存的参考可拿去数据库一查 ，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果。务实做法始终是言模自己动手去原始数据库里复核一遍，反而倾向于补全一个格式完整 、编造并模型的存的参考参数相当于对所读内容的高度概括 ，要么查无此文 ，文献唯独事实本身可能是凭空生成的  。 训练时它读过海量文本 ，但把它的每一条输出都默认为检索结果就危险了 。作者姓名 、查得到的留下 ，语法顺、细节像， 理解这个问题的起点 ，于是当被要求列参考文献时 ，面对它给出的任何引用 、它并不是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、查不到的一律舍弃，是搞清楚大语言模型到底在做什么 。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 ，而是根据上文逐字预测下一个词最可能是什么  。期刊名 、格式对、它便按照这套概率结构把看起来最合理的词拼在一起。因为它的训练目标里并没有“承认不知道”这一项 ，读起来可信的答案 。出版年份一应俱全 ，要么卷期页码对不上。叫作“幻觉”。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 ，而是末尾那串似真似假的参考文献 。精确的卷期页码  、既不贪快也不含糊 。 对使用者而言  ，