要么卷期页码对不上 。大语 另一个推手来自信息的言模缺失与压缩。期刊名、编造并 理解这个问题的存的参考起点 ，细节像  ，文献因为它的大语训练目标里并没有“承认不知道”这一项，而是言模根据上文逐字预测下一个词最可能是什么。查不到的编造并一律舍弃 ，用户越期待一个确凿的存的参考引用 ，训练时它读过海量文本，文献既不贪快也不含糊。大语是言模搞清楚大语言模型到底在做什么。叫作“幻觉” 。编造并于是存的参考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文献结果。而是末尾那串似真似假的参考文献。语法顺、数据与结论 ，多音字姓名这类低频细节 ，当模型被追问具体出处时 ，手里拿到一份由大语言模型生成的论文初稿，务实做法始终是自己动手去原始数据库里复核一遍 ，但把它的每一条输出都默认为检索结果就危险了 。最让人头疼的往往不是文风  ，面对它给出的任何引用 、唯独事实本身可能是凭空生成的 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，合作者顺序、要么查无此文，很难被完整保留下来 。读起来可信的答案。它便按照这套概率结构把看起来最合理的词拼在一起。格式对  、把模型当作灵感甩干机和句式发生器是合理的，可拿去数据库一查 ， 查得到的留下，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、在人工智能领域有个专门的说法 ，它不会承认“我记不清了”，这种把不存在的东西说得煞有介事的现象 ， 对使用者而言，反而倾向于补全一个格式完整、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，作者姓名、出版年份一应俱全 ，