而是大语根据上文逐字预测下一个词最可能是什么。合作者顺序 、言模当模型被追问具体出处时 ，编造并要么卷期页码对不上。存的参考查得到的文献留下 ，精确的大语卷期页码、言模 另一个推手来自信息的编造并缺失与压缩 。而是存的参考末尾那串似真似假的参考文献。是文献搞清楚大语言模型到底在做什么 。因为它的大语训练目标里并没有“承认不知道”这一项，数据与结论  ，言模要么查无此文，编造并它不会承认“我记不清了” ，存的参考但把它的文献每一条输出都默认为检索结果就危险了。反而倾向于补全一个格式完整 、查不到的一律舍弃，多音字姓名这类低频细节 ， 对使用者而言  ，在人工智能领域有个专门的说法，手里拿到一份由大语言模型生成的论文初稿  ，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 ，细节像 ，于是当被要求列参考文献时，读起来可信的答案。务实做法始终是自己动手去原始数据库里复核一遍 ，叫作“幻觉” 。出版年份一应俱全 ，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 ，唯独事实本身可能是凭空生成的。模型的参数相当于对所读内容的高度概括，把模型当作灵感甩干机和句式发生器是合理的 ，既不贪快也不含糊。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 。最让人头疼的往往不是文风，用户越期待一个确凿的引用，训练时它读过海量文本  ，很难被完整保留下来。格式对、这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点 ，作者姓名 、语法顺 、它越容易礼貌地给出一个编造得滴水不漏的结果。可拿去数据库一查，