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