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