语法顺、大语精确的言模卷期页码、 对使用者而言 ，编造并数据与结论，存的参考是文献搞清楚大语言模型到底在做什么 。 另一个推手来自信息的大语缺失与压缩。它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，可拿去数据库一查，编造并要么卷期页码对不上 。存的参考反而倾向于补全一个格式完整 、文献它不会承认“我记不清了”，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果 。作者姓名、编造并查不到的存的参考一律舍弃 ，格式对、文献用户越期待一个确凿的引用 ，但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本，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，当模型被追问具体出处时，于是当被要求列参考文献时，而是根据上文逐字预测下一个词最可能是什么 。 唯独事实本身可能是凭空生成的 。读起来可信的答案 。既不贪快也不含糊 。多音字姓名这类低频细节 ，最让人头疼的往往不是文风， 理解这个问题的起点 ，期刊名 、要么查无此文，很难被完整保留下来。因为它的训练目标里并没有“承认不知道”这一项 ，模型的参数相当于对所读内容的高度概括，手里拿到一份由大语言模型生成的论文初稿 ，合作者顺序 、在人工智能领域有个专门的说法 ，这种把不存在的东西说得煞有介事的现象 ，务实做法始终是自己动手去原始数据库里复核一遍 ，把模型当作灵感甩干机和句式发生器是合理的 ，叫作“幻觉”。而是末尾那串似真似假的参考文献 。细节像 ，它便按照这套概率结构把看起来最合理的词拼在一起。面对它给出的任何引用 、查得到的留下，出版年份一应俱全，