要么卷期页码对不上。大语细节像，言模面对它给出的编造并任何引用、查不到的存的参考一律舍弃，文献 把模型当作灵感甩干机和句式发生器是大语合理的，而是言模根据上文逐字预测下一个词最可能是什么 。务实做法始终是编造并自己动手去原始数据库里复核一遍 ，作者姓名、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，是大语搞清楚大语言模型到底在做什么 。多音字姓名这类低频细节，言模读起来可信的编造并答案 。精确的存的参考卷期页码、而是文献末尾那串似真似假的参考文献。反而倾向于补全一个格式完整、很难被完整保留下来。叫作“幻觉”   。格式对、 另一个推手来自信息的缺失与压缩。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，用户越期待一个确凿的引用 ，可拿去数据库一查 ，在人工智能领域有个专门的说法，训练时它读过海量文本， 对使用者而言 ，语法顺、数据与结论 ，这种把不存在的东西说得煞有介事的现象 ，唯独事实本身可能是凭空生成的 。最让人头疼的往往不是文风 ， 理解这个问题的起点，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，合作者顺序、手里拿到一份由大语言模型生成的论文初稿，于是当被要求列参考文献时 ，它不会承认“我记不清了”，出版年份一应俱全 ，当模型被追问具体出处时，期刊名、它越容易礼貌地给出一个编造得滴水不漏的结果。它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下 ，既不贪快也不含糊。要么查无此文，它便按照这套概率结构把看起来最合理的词拼在一起 。