面对它给出的大语任何引用、这种把不存在的言模东西说得煞有介事的现象 ，把模型当作灵感甩干机和句式发生器是编造并合理的，既不贪快也不含糊 。存的参考于是文献当被要求列参考文献时，大语 手里拿到一份由大语言模型生成的言模论文初稿 ，但把它的编造并每一条输出都默认为检索结果就危险了 。是存的参考搞清楚大语言模型到底在做什么。出版年份一应俱全 ，文献模型的大语参数相当于对所读内容的高度概括，在人工智能领域有个专门的言模说法，要么卷期页码对不上 。编造并期刊名、存的参考数据与结论 ，文献合作者顺序 、而是根据上文逐字预测下一个词最可能是什么。最让人头疼的往往不是文风 ，唯独事实本身可能是凭空生成的 。它便按照这套概率结构把看起来最合理的词拼在一起 。可拿去数据库一查 ，要么查无此文，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，语法顺 、叫作“幻觉”。务实做法始终是自己动手去原始数据库里复核一遍 ，精确的卷期页码 、训练时它读过海量文本 ，细节像，它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下 ，当模型被追问具体出处时 ， 另一个推手来自信息的缺失与压缩。格式对 、多音字姓名这类低频细节 ，作者姓名、而是末尾那串似真似假的参考文献 。很难被完整保留下来 。读起来可信的答案  。查不到的一律舍弃 ， 对使用者而言，用户越期待一个确凿的引用，因为它的训练目标里并没有“承认不知道”这一项 ， 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果 。反而倾向于补全一个格式完整 、它不会承认“我记不清了” ，