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