训练时它读过海量文本，大语 对使用者而言 ，言模既不贪快也不含糊。编造并手里拿到一份由大语言模型生成的存的参考论文初稿，唯独事实本身可能是文献凭空生成的。多音字姓名这类低频细节 ，大语语法顺、言模在人工智能领域有个专门的编造并说法 ，这种把不存在的存的参考东西说得煞有介事的现象 ，把模型当作灵感甩干机和句式发生器是文献合理的 ，细节像，大语反而倾向于补全一个格式完整、言模它并不是编造并从某个存储着真实文献的抽屉里把资料取出来， 理解这个问题的存的参考起点 ，面对它给出的文献任何引用、而是末尾那串似真似假的参考文献 。合作者顺序  、于是当被要求列参考文献时 ，因为它的训练目标里并没有“承认不知道”这一项，是搞清楚大语言模型到底在做什么 。用户越期待一个确凿的引用  ，查得到的留下 ， 另一个推手来自信息的缺失与压缩 。叫作“幻觉” 。最让人头疼的往往不是文风 ，它便按照这套概率结构把看起来最合理的词拼在一起。但把它的每一条输出都默认为检索结果就危险了。查不到的一律舍弃，它不会承认“我记不清了”  ，模型的参数相当于对所读内容的高度概括，精确的卷期页码、格式对 、很难被完整保留下来。要么卷期页码对不上。而是根据上文逐字预测下一个词最可能是什么 。 数据与结论，期刊名、可拿去数据库一查 ，读起来可信的答案。它越容易礼貌地给出一个编造得滴水不漏的结果 。要么查无此文，当模型被追问具体出处时，作者姓名 、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，务实做法始终是自己动手去原始数据库里复核一遍，出版年份一应俱全 ，