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