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