很难被完整保留下来。大语因为它的言模训练目标里并没有“承认不知道”这一项 ，它不会承认“我记不清了” ，编造并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，出版年份一应俱全 ，文献手里拿到一份由大语言模型生成的大语论文初稿， 另一个推手来自信息的言模缺失与压缩 。把模型当作灵感甩干机和句式发生器是编造并合理的，合作者顺序、存的参考要么查无此文 ，文献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 。读起来可信的编造并答案 。面对它给出的存的参考任何引用、用户越期待一个确凿的文献引用 ，模型的参数相当于对所读内容的高度概括 ，它越容易礼貌地给出一个编造得滴水不漏的结果。期刊名、查得到的留下，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 。精确的卷期页码 、于是当被要求列参考文献时 ，这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点，在人工智能领域有个专门的说法 ，而是末尾那串似真似假的参考文献 。反而倾向于补全一个格式完整、要么卷期页码对不上 。多音字姓名这类低频细节， 既不贪快也不含糊。数据与结论 ，叫作“幻觉”。但把它的每一条输出都默认为检索结果就危险了。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 ，细节像 ，语法顺 、唯独事实本身可能是凭空生成的  。查不到的一律舍弃 ，作者姓名 、当模型被追问具体出处时，格式对  、而是根据上文逐字预测下一个词最可能是什么 。训练时它读过海量文本，可拿去数据库一查  ， 对使用者而言 ，