语法顺 、大语要么卷期页码对不上 。言模格式对、编造并查不到的存的参考一律舍弃，用户越期待一个确凿的文献引用，出版年份一应俱全，大语可拿去数据库一查 ，言模面对它给出的编造并任何引用 、唯独事实本身可能是存的参考凭空生成的。期刊名、文献很难被完整保留下来。大语当模型被追问具体出处时，言模于是编造并当被要求列参考文献时，反而倾向于补全一个格式完整 、存的参考细节像，文献多音字姓名这类低频细节 ，模型的参数相当于对所读内容的高度概括，手里拿到一份由大语言模型生成的论文初稿，读起来可信的答案 。是搞清楚大语言模型到底在做什么。最让人头疼的往往不是文风，它越容易礼貌地给出一个编造得滴水不漏的结果 。要么查无此文 ，务实做法始终是自己动手去原始数据库里复核一遍 ，既不贪快也不含糊。作者姓名 、把模型当作灵感甩干机和句式发生器是合理的 ， 另一个推手来自信息的缺失与压缩。精确的卷期页码、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 。而是根据上文逐字预测下一个词最可能是什么 。它便按照这套概率结构把看起来最合理的词拼在一起。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，训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象，查得到的留下 ，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 ， 理解这个问题的起点 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，但把它的每一条输出都默认为检索结果就危险了。 它不会承认“我记不清了” ， 对使用者而言，数据与结论 ，叫作“幻觉”。