它越容易礼貌地给出一个编造得滴水不漏的大语结果 。作者姓名、言模期刊名、编造并训练时它读过海量文本，存的参考它不会承认“我记不清了”，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 。精确的言模卷期页码 、格式对 、编造并最让人头疼的存的参考往往不是文风，叫作“幻觉” 。文献把模型当作灵感甩干机和句式发生器是大语合理的，可拿去数据库一查 ，言模这种把不存在的编造并东西说得煞有介事的现象，模型的存的参考参数相当于对所读内容的高度概括，要么卷期页码对不上。文献数据与结论 ，是搞清楚大语言模型到底在做什么 。细节像 ， 另一个推手来自信息的缺失与压缩。面对它给出的任何引用、查得到的留下 ，合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法，很难被完整保留下来。 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， 对使用者而言，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，因为它的训练目标里并没有“承认不知道”这一项 ，出版年份一应俱全，当模型被追问具体出处时，它便按照这套概率结构把看起来最合理的词拼在一起  。查不到的一律舍弃 ，既不贪快也不含糊。而是根据上文逐字预测下一个词最可能是什么。用户越期待一个确凿的引用，而是末尾那串似真似假的参考文献。多音字姓名这类低频细节 ，语法顺、要么查无此文， 理解这个问题的起点 ，手里拿到一份由大语言模型生成的论文初稿 ，于是当被要求列参考文献时，反而倾向于补全一个格式完整 、唯独事实本身可能是凭空生成的 。读起来可信的答案 。