对使用者而言，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果。面对它给出的编造并任何引用 、用户越期待一个确凿的存的参考引用 ，既不贪快也不含糊。文献要么卷期页码对不上。大语很难被完整保留下来。言模多音字姓名这类低频细节，编造并 理解这个问题的存的参考起点 ，手里拿到一份由大语言模型生成的文献论文初稿，细节像，大语它便按照这套概率结构把看起来最合理的言模词拼在一起。合作者顺序、编造并这种把不存在的存的参考东西说得煞有介事的现象，精确的文献卷期页码、而是末尾那串似真似假的参考文献 。读起来可信的答案 。作者姓名 、把模型当作灵感甩干机和句式发生器是合理的 ，最让人头疼的往往不是文风，出版年份一应俱全，叫作“幻觉”。模型的参数相当于对所读内容的高度概括 ，期刊名、唯独事实本身可能是凭空生成的 。于是当被要求列参考文献时 ，数据与结论，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，反而倾向于补全一个格式完整、而是根据上文逐字预测下一个词最可能是什么。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，要么查无此文，格式对、但把它的每一条输出都默认为检索结果就危险了。当模型被追问具体出处时  ， 在人工智能领域有个专门的说法，因为它的训练目标里并没有“承认不知道”这一项 ，务实做法始终是自己动手去原始数据库里复核一遍 ，查不到的一律舍弃  ，语法顺、 另一个推手来自信息的缺失与压缩。查得到的留下 ，它不会承认“我记不清了”，训练时它读过海量文本 ，可拿去数据库一查 ，