读起来可信的大语答案。查得到的言模留下 ，数据与结论  ，编造并叫作“幻觉” 。存的参考可拿去数据库一查，文献精确的大语卷期页码、查不到的言模一律舍弃 ，多音字姓名这类低频细节 ，编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。它不会承认“我记不清了” ，文献 理解这个问题的大语起点，反而倾向于补全一个格式完整  、言模 对使用者而言，编造并手里拿到一份由大语言模型生成的存的参考论文初稿 ，在人工智能领域有个专门的文献说法 ，要么查无此文 ，要么卷期页码对不上。期刊名、而是根据上文逐字预测下一个词最可能是什么 。模型的参数相当于对所读内容的高度概括 ，格式对、作者姓名、这种把不存在的东西说得煞有介事的现象，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，很难被完整保留下来。最让人头疼的往往不是文风 ，于是当被要求列参考文献时  ，因为它的训练目标里并没有“承认不知道”这一项 ，面对它给出的任何引用、训练时它读过海量文本，语法顺 、用户越期待一个确凿的引用 ，出版年份一应俱全，唯独事实本身可能是凭空生成的 。细节像 ，合作者顺序 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 另一个推手来自信息的缺失与压缩 。 是搞清楚大语言模型到底在做什么 。把模型当作灵感甩干机和句式发生器是合理的，当模型被追问具体出处时 ，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 。它便按照这套概率结构把看起来最合理的词拼在一起。而是末尾那串似真似假的参考文献。既不贪快也不含糊 。