叫作“幻觉”。大语可拿去数据库一查，言模查得到的编造并留下，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 ，它不会承认“我记不清了”，文献是大语搞清楚大语言模型到底在做什么  。读起来可信的言模答案。要么卷期页码对不上 。编造并训练时它读过海量文本 ，存的参考务实做法始终是文献自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是大语合理的 ， 对使用者而言，言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果。出版年份一应俱全 ，存的参考 理解这个问题的文献起点 ，精确的卷期页码 、模型的参数相当于对所读内容的高度概括，作者姓名、面对它给出的任何引用、它便按照这套概率结构把看起来最合理的词拼在一起。很难被完整保留下来  。期刊名 、数据与结论，语法顺 、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 。当模型被追问具体出处时，既不贪快也不含糊 。 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。查不到的一律舍弃，细节像 ，在人工智能领域有个专门的说法 ，格式对、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、手里拿到一份由大语言模型生成的论文初稿 ，多音字姓名这类低频细节 ，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 ，这种把不存在的东西说得煞有介事的现象 ，于是当被要求列参考文献时，合作者顺序 、用户越期待一个确凿的引用， 另一个推手来自信息的缺失与压缩 。要么查无此文 ，