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