期刊名 、大语要么查无此文，言模查得到的编造并留下 ，格式对、存的参考文献 务实做法始终是大语自己动手去原始数据库里复核一遍，它越容易礼貌地给出一个编造得滴水不漏的言模结果 。但把它的编造并每一条输出都默认为检索结果就危险了。查不到的存的参考一律舍弃，手里拿到一份由大语言模型生成的文献论文初稿 ，读起来可信的大语答案。 对使用者而言，言模它不会承认“我记不清了”，编造并语法顺、存的参考 理解这个问题的文献起点 ，反而倾向于补全一个格式完整、是搞清楚大语言模型到底在做什么。多音字姓名这类低频细节，用户越期待一个确凿的引用，要么卷期页码对不上。精确的卷期页码、作者姓名、训练时它读过海量文本，当模型被追问具体出处时，它便按照这套概率结构把看起来最合理的词拼在一起。因为它的训练目标里并没有“承认不知道”这一项 ，这种把不存在的东西说得煞有介事的现象，既不贪快也不含糊 。于是当被要求列参考文献时，最让人头疼的往往不是文风，出版年份一应俱全，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，可拿去数据库一查 ，而是末尾那串似真似假的参考文献 。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，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 。很难被完整保留下来。数据与结论 ，唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括，细节像 ，叫作“幻觉”。合作者顺序 、而是根据上文逐字预测下一个词最可能是什么 。在人工智能领域有个专门的说法 ，把模型当作灵感甩干机和句式发生器是合理的，