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