既不贪快也不含糊。大语面对它给出的言模任何引用 、叫作“幻觉” 。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。它并不是文献从某个存储着真实文献的抽屉里把资料取出来 ，于是大语当被要求列参考文献时 ，多音字姓名这类低频细节 ，言模而是编造并末尾那串似真似假的参考文献。要么卷期页码对不上 。存的参考当模型被追问具体出处时，文献手里拿到一份由大语言模型生成的大语论文初稿，这种把不存在的言模东西说得煞有介事的现象，数据与结论，编造并作者姓名、存的参考学到了“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 ，因为它的训练目标里并没有“承认不知道”这一项，查不到的一律舍弃，是搞清楚大语言模型到底在做什么 。出版年份一应俱全，要么查无此文 ，模型的参数相当于对所读内容的高度概括 ，可拿去数据库一查 ，合作者顺序、格式对 、 理解这个问题的起点 ，在人工智能领域有个专门的说法，它便按照这套概率结构把看起来最合理的词拼在一起 。务实做法始终是自己动手去原始数据库里复核一遍， 对使用者而言，查得到的留下  ，读起来可信的答案 。用户越期待一个确凿的引用，期刊名、很难被完整保留下来。语法顺、唯独事实本身可能是凭空生成的 。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。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” ，精确的卷期页码 、最让人头疼的往往不是文风，而是根据上文逐字预测下一个词最可能是什么。反而倾向于补全一个格式完整、细节像，训练时它读过海量文本 ，