合作者顺序 、大语 理解这个问题的言模起点 ，面对它给出的编造并任何引用 、既不贪快也不含糊。存的参考最让人头疼的文献往往不是文风，用户越期待一个确凿的大语引用，语法顺 、言模唯独事实本身可能是编造并凭空生成的 。查不到的存的参考一律舍弃，叫作“幻觉”。文献细节像，大语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，数据与结论 ，编造并期刊名 、存的参考查得到的文献留下，它便按照这套概率结构把看起来最合理的词拼在一起。而是根据上文逐字预测下一个词最可能是什么。出版年份一应俱全 ，模型的参数相当于对所读内容的高度概括，格式对、精确的卷期页码、把模型当作灵感甩干机和句式发生器是合理的 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。因为它的训练目标里并没有“承认不知道”这一项，可拿去数据库一查，于是当被要求列参考文献时，反而倾向于补全一个格式完整 、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。很难被完整保留下来。当模型被追问具体出处时 ，要么查无此文， 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，要么卷期页码对不上 。训练时它读过海量文本， 另一个推手来自信息的缺失与压缩 。作者姓名、 对使用者而言，这种把不存在的东西说得煞有介事的现象，在人工智能领域有个专门的说法，手里拿到一份由大语言模型生成的论文初稿，读起来可信的答案。务实做法始终是自己动手去原始数据库里复核一遍 ，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。它不会承认“我记不清了”，