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