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