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