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