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，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。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 ，手里拿到一份由大语言模型生成的文献论文初稿，而是大语末尾那串似真似假的参考文献 。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 ，因为它的编造并训练目标里并没有“承认不知道”这一项，查不到的存的参考一律舍弃，反而倾向于补全一个格式完整、文献精确的大语卷期页码 、而是言模根据上文逐字预测下一个词最可能是什么。作者姓名 、编造并 对使用者而言  ，存的参考最让人头疼的文献往往不是文风，细节像 ，出版年份一应俱全 ，查得到的留下，要么查无此文，于是当被要求列参考文献时 ，面对它给出的任何引用、但把它的每一条输出都默认为检索结果就危险了。语法顺 、叫作“幻觉”。可拿去数据库一查 ， 另一个推手来自信息的缺失与压缩 。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  ，当模型被追问具体出处时，数据与结论，很难被完整保留下来。唯独事实本身可能是凭空生成的 。既不贪快也不含糊。期刊名 、要么卷期页码对不上  。读起来可信的答案 。 格式对 、在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用， 理解这个问题的起点，训练时它读过海量文本 ，合作者顺序、把模型当作灵感甩干机和句式发生器是合理的 ，是搞清楚大语言模型到底在做什么。多音字姓名这类低频细节，它越容易礼貌地给出一个编造得滴水不漏的结果。这种把不存在的东西说得煞有介事的现象 ，