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