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