既不贪快也不含糊。大语很难被完整保留下来 。言模格式对、编造并 另一个推手来自信息的存的参考缺失与压缩。这种把不存在的文献东西说得煞有介事的现象，唯独事实本身可能是大语凭空生成的 。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。合作者顺序、编造并多音字姓名这类低频细节 ，存的参考出版年份一应俱全  ，文献查不到的大语一律舍弃 ，因为它的言模训练目标里并没有“承认不知道”这一项，语法顺 、编造并 理解这个问题的存的参考起点 ，于是文献当被要求列参考文献时，把模型当作灵感甩干机和句式发生器是合理的，在人工智能领域有个专门的说法 ，作者姓名、要么卷期页码对不上。它不会承认“我记不清了”，最让人头疼的往往不是文风，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，用户越期待一个确凿的引用 ，反而倾向于补全一个格式完整 、当模型被追问具体出处时 ，查得到的留下 ， 期刊名 、叫作“幻觉” 。模型的参数相当于对所读内容的高度概括 ，读起来可信的答案 。可拿去数据库一查 ，数据与结论，是搞清楚大语言模型到底在做什么。 对使用者而言，而是根据上文逐字预测下一个词最可能是什么 。它并不是从某个存储着真实文献的抽屉里把资料取出来，但把它的每一条输出都默认为检索结果就危险了 。精确的卷期页码 、要么查无此文 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。训练时它读过海量文本 ，而是末尾那串似真似假的参考文献 。务实做法始终是自己动手去原始数据库里复核一遍，面对它给出的任何引用、手里拿到一份由大语言模型生成的论文初稿，