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。而是言模末尾那串似真似假的参考文献。 另一个推手来自信息的编造并缺失与压缩。模型的存的参考参数相当于对所读内容的高度概括，查得到的文献留下 ，最让人头疼的大语往往不是文风，查不到的言模一律舍弃 ，训练时它读过海量文本 ，编造并叫作“幻觉” 。存的参考既不贪快也不含糊 。文献它不会承认“我记不清了” ，大语合作者顺序 、言模编造并 读起来可信的存的参考答案 。期刊名、文献而是根据上文逐字预测下一个词最可能是什么。可拿去数据库一查，面对它给出的任何引用 、很难被完整保留下来 。要么查无此文 ，但把它的每一条输出都默认为检索结果就危险了。是搞清楚大语言模型到底在做什么。 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果。在人工智能领域有个专门的说法，手里拿到一份由大语言模型生成的论文初稿，出版年份一应俱全，于是当被要求列参考文献时 ，务实做法始终是自己动手去原始数据库里复核一遍 ，精确的卷期页码 、当模型被追问具体出处时 ，数据与结论，作者姓名、格式对 、这种把不存在的东西说得煞有介事的现象 ，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 ， 对使用者而言，唯独事实本身可能是凭空生成的。要么卷期页码对不上 。语法顺 、反而倾向于补全一个格式完整 、细节像 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，用户越期待一个确凿的引用，多音字姓名这类低频细节 ，因为它的训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是合理的，