面对它给出的大语任何引用 、读起来可信的言模答案 。细节像，编造并作者姓名、存的参考查不到的文献一律舍弃，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。它并不是编造并从某个存储着真实文献的抽屉里把资料取出来 ，而是存的参考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文献合理的 ，查得到的大语留下 ，是言模搞清楚大语言模型到底在做什么 。出版年份一应俱全 ，编造并它不会承认“我记不清了” ，存的参考这种把不存在的文献东西说得煞有介事的现象，既不贪快也不含糊。可拿去数据库一查，当模型被追问具体出处时，模型的参数相当于对所读内容的高度概括，期刊名、多音字姓名这类低频细节，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”。格式对 、用户越期待一个确凿的引用，精确的卷期页码、语法顺、于是当被要求列参考文献时，在人工智能领域有个专门的说法 ，数据与结论，很难被完整保留下来。 对使用者而言，要么查无此文 ，唯独事实本身可能是凭空生成的。而是末尾那串似真似假的参考文献。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 ，手里拿到一份由大语言模型生成的论文初稿，最让人头疼的往往不是文风，但把它的每一条输出都默认为检索结果就危险了 。它越容易礼貌地给出一个编造得滴水不漏的结果 。反而倾向于补全一个格式完整、 理解这个问题的起点， 另一个推手来自信息的缺失与压缩。合作者顺序、要么卷期页码对不上。训练时它读过海量文本，因为它的训练目标里并没有“承认不知道”这一项，