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