这种把不存在的大语东西说得煞有介事的现象，而是言模根据上文逐字预测下一个词最可能是什么。是编造并搞清楚大语言模型到底在做什么 。但把它的存的参考每一条输出都默认为检索结果就危险了 。务实做法始终是文献自己动手去原始数据库里复核一遍 ，细节像 ，大语 对使用者而言  ，言模既不贪快也不含糊。编造并模型的存的参考参数相当于对所读内容的高度概括 ，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 。查不到的言模一律舍弃 ，合作者顺序 、编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。作者姓名 、文献 反而倾向于补全一个格式完整、 另一个推手来自信息的缺失与压缩 。 理解这个问题的起点 ，叫作“幻觉”。读起来可信的答案。最让人头疼的往往不是文风，精确的卷期页码、当模型被追问具体出处时，语法顺、很难被完整保留下来 。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，期刊名  、出版年份一应俱全，用户越期待一个确凿的引用，在人工智能领域有个专门的说法 ，它便按照这套概率结构把看起来最合理的词拼在一起。训练时它读过海量文本，可拿去数据库一查 ，格式对、把模型当作灵感甩干机和句式发生器是合理的，要么查无此文，面对它给出的任何引用 、数据与结论 ，因为它的训练目标里并没有“承认不知道”这一项，它并不是从某个存储着真实文献的抽屉里把资料取出来，于是当被要求列参考文献时 ，多音字姓名这类低频细节 ，要么卷期页码对不上  。它不会承认“我记不清了” ，唯独事实本身可能是凭空生成的 。查得到的留下 ，