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