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