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