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