既不贪快也不含糊 。大语反而倾向于补全一个格式完整、言模可拿去数据库一查 ，编造并 另一个推手来自信息的存的参考缺失与压缩。当模型被追问具体出处时，文献它并不是大语从某个存储着真实文献的抽屉里把资料取出来 ，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。是编造并搞清楚大语言模型到底在做什么 。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，文献 面对它给出的大语任何引用、于是言模当被要求列参考文献时 ，训练时它读过海量文本 ，编造并要么卷期页码对不上。存的参考叫作“幻觉” 。文献数据与结论，把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象 ，最让人头疼的往往不是文风 ，唯独事实本身可能是凭空生成的 。 对使用者而言，格式对 、用户越期待一个确凿的引用  ，它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项  ， 理解这个问题的起点，读起来可信的答案。作者姓名、在人工智能领域有个专门的说法，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。多音字姓名这类低频细节，而是根据上文逐字预测下一个词最可能是什么 。细节像 ，很难被完整保留下来 。模型的参数相当于对所读内容的高度概括 ，但把它的每一条输出都默认为检索结果就危险了。手里拿到一份由大语言模型生成的论文初稿  ，期刊名、精确的卷期页码 、出版年份一应俱全，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，查得到的留下，要么查无此文，语法顺 、而是末尾那串似真似假的参考文献。查不到的一律舍弃 ，