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