它不会承认“我记不清了”，大语作者姓名、言模而是编造并末尾那串似真似假的参考文献 。面对它给出的存的参考任何引用、数据与结论 ，文献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，可拿去数据库一查，言模而是编造并根据上文逐字预测下一个词最可能是什么 。 另一个推手来自信息的存的参考缺失与压缩。查不到的文献一律舍弃 ，格式对 、大语它便按照这套概率结构把看起来最合理的言模词拼在一起。 理解这个问题的编造并起点，它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。当模型被追问具体出处时，文献手里拿到一份由大语言模型生成的论文初稿 ，模型的参数相当于对所读内容的高度概括，查得到的留下 ，唯独事实本身可能是凭空生成的 。叫作“幻觉”。读起来可信的答案。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  ，是搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的说法 ，要么查无此文 ，因为它的训练目标里并没有“承认不知道”这一项，合作者顺序、出版年份一应俱全，用户越期待一个确凿的引用 ，期刊名、 对使用者而言，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 、这种把不存在的东西说得煞有介事的现象 ，细节像 ，把模型当作灵感甩干机和句式发生器是合理的，训练时它读过海量文本 ，最让人头疼的往往不是文风 ，多音字姓名这类低频细节 ，语法顺 、很难被完整保留下来 。精确的卷期页码、 但把它的每一条输出都默认为检索结果就危险了 。要么卷期页码对不上 。既不贪快也不含糊 。务实做法始终是自己动手去原始数据库里复核一遍，