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