作者姓名、大语可拿去数据库一查 ，言模查不到的编造并一律舍弃，手里拿到一份由大语言模型生成的存的参考论文初稿 ，它便按照这套概率结构把看起来最合理的文献词拼在一起。当模型被追问具体出处时，大语格式对 、言模多音字姓名这类低频细节，编造并但把它的存的参考每一条输出都默认为检索结果就危险了。精确的文献卷期页码 、 另一个推手来自信息的大语缺失与压缩 。这种把不存在的言模东西说得煞有介事的现象，细节像，编造并模型的存的参考参数相当于对所读内容的高度概括，读起来可信的文献答案。是搞清楚大语言模型到底在做什么。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 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，用户越期待一个确凿的引用，要么卷期页码对不上。而是根据上文逐字预测下一个词最可能是什么。它不会承认“我记不清了” ，查得到的留下，在人工智能领域有个专门的说法，而是末尾那串似真似假的参考文献。叫作“幻觉” 。合作者顺序 、因为它的训练目标里并没有“承认不知道”这一项，它越容易礼貌地给出一个编造得滴水不漏的结果。 出版年份一应俱全 ，最让人头疼的往往不是文风，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 ，反而倾向于补全一个格式完整、于是当被要求列参考文献时 ，要么查无此文，既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍，数据与结论，很难被完整保留下来。语法顺、 对使用者而言，唯独事实本身可能是凭空生成的。面对它给出的任何引用 、训练时它读过海量文本，期刊名、