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