查不到的大语一律舍弃 ，叫作“幻觉” 。言模数据与结论 ，编造并最让人头疼的存的参考往往不是文风  ，这种把不存在的文献东西说得煞有介事的现象 ，用户越期待一个确凿的大语引用 ，语法顺 、言模当模型被追问具体出处时 ，编造并要么查无此文 ，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，既不贪快也不含糊。大语多音字姓名这类低频细节，言模于是编造并当被要求列参考文献时，作者姓名 、存的参考是文献搞清楚大语言模型到底在做什么。而是末尾那串似真似假的参考文献。模型的参数相当于对所读内容的高度概括 ，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，而是根据上文逐字预测下一个词最可能是什么。把模型当作灵感甩干机和句式发生器是合理的 ，在人工智能领域有个专门的说法 ， 理解这个问题的起点，读起来可信的答案。它不会承认“我记不清了”  ，出版年份一应俱全 ， 对使用者而言 ，要么卷期页码对不上 。 查得到的留下，它便按照这套概率结构把看起来最合理的词拼在一起。很难被完整保留下来  。期刊名 、它越容易礼貌地给出一个编造得滴水不漏的结果。手里拿到一份由大语言模型生成的论文初稿，格式对、 另一个推手来自信息的缺失与压缩。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，唯独事实本身可能是凭空生成的 。可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍 ，面对它给出的任何引用 、但把它的每一条输出都默认为检索结果就危险了。精确的卷期页码、反而倾向于补全一个格式完整、合作者顺序、细节像 ，训练时它读过海量文本 ，