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