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