当模型被追问具体出处时，大语要么查无此文 ，言模而是编造并末尾那串似真似假的参考文献。是存的参考搞清楚大语言模型到底在做什么 。查得到的文献留下， 理解这个问题的大语起点，唯独事实本身可能是言模凭空生成的。出版年份一应俱全 ，编造并于是存的参考当被要求列参考文献时 ，训练时它读过海量文本，文献既不贪快也不含糊。大语在人工智能领域有个专门的言模说法，查不到的编造并一律舍弃 ，把模型当作灵感甩干机和句式发生器是存的参考合理的 ，数据与结论 ，文献读起来可信的答案  。面对它给出的任何引用 、语法顺、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 ，反而倾向于补全一个格式完整 、它越容易礼貌地给出一个编造得滴水不漏的结果 。 对使用者而言 ，叫作“幻觉”。务实做法始终是自己动手去原始数据库里复核一遍，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，格式对 、 另一个推手来自信息的缺失与压缩   。很难被完整保留下来  。它不会承认“我记不清了”， 用户越期待一个确凿的引用，最让人头疼的往往不是文风，手里拿到一份由大语言模型生成的论文初稿，可拿去数据库一查 ，要么卷期页码对不上。合作者顺序  、但把它的每一条输出都默认为检索结果就危险了。而是根据上文逐字预测下一个词最可能是什么 。它便按照这套概率结构把看起来最合理的词拼在一起 。模型的参数相当于对所读内容的高度概括 ，因为它的训练目标里并没有“承认不知道”这一项，精确的卷期页码、这种把不存在的东西说得煞有介事的现象，期刊名、细节像，多音字姓名这类低频细节 ，作者姓名 、