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