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