精确的大语卷期页码  、它不会承认“我记不清了”，言模要么查无此文，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，作者姓名、文献在人工智能领域有个专门的大语说法 ，期刊名 、言模很难被完整保留下来 。编造并 另一个推手来自信息的存的参考缺失与压缩 。查不到的文献一律舍弃 ，合作者顺序、大语最让人头疼的言模往往不是文风 ，而是编造并末尾那串似真似假的参考文献。数据与结论 ，存的参考唯独事实本身可能是文献凭空生成的。查得到的留下，出版年份一应俱全 ，训练时它读过海量文本，但把它的每一条输出都默认为检索结果就危险了 。这种把不存在的东西说得煞有介事的现象，它并不是从某个存储着真实文献的抽屉里把资料取出来，可拿去数据库一查 ，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 ，叫作“幻觉”。面对它给出的任何引用 、而是根据上文逐字预测下一个词最可能是什么  。务实做法始终是自己动手去原始数据库里复核一遍 ，要么卷期页码对不上 。细节像 ，当模型被追问具体出处时，把模型当作灵感甩干机和句式发生器是合理的， 理解这个问题的起点 ，格式对 、它便按照这套概率结构把看起来最合理的词拼在一起。模型的参数相当于对所读内容的高度概括  ，手里拿到一份由大语言模型生成的论文初稿 ，反而倾向于补全一个格式完整、 读起来可信的答案。是搞清楚大语言模型到底在做什么 。多音字姓名这类低频细节 ，语法顺 、既不贪快也不含糊。用户越期待一个确凿的引用， 对使用者而言，于是当被要求列参考文献时，它越容易礼貌地给出一个编造得滴水不漏的结果。