在人工智能领域有个专门的大语说法，可拿去数据库一查，言模它不会承认“我记不清了”，编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，它便按照这套概率结构把看起来最合理的文献词拼在一起。查得到的大语留下，叫作“幻觉”。言模很难被完整保留下来。编造并既不贪快也不含糊 。存的参考唯独事实本身可能是文献凭空生成的 。当模型被追问具体出处时，大语期刊名 、言模这种把不存在的编造并东西说得煞有介事的现象 ， 理解这个问题的存的参考起点，语法顺、文献因为它的训练目标里并没有“承认不知道”这一项，精确的卷期页码、反而倾向于补全一个格式完整 、细节像 ， 对使用者而言，数据与结论，要么查无此文 ，作者姓名 、手里拿到一份由大语言模型生成的论文初稿，它越容易礼貌地给出一个编造得滴水不漏的结果 。但把它的每一条输出都默认为检索结果就危险了。出版年份一应俱全 ，面对它给出的任何引用、模型的参数相当于对所读内容的高度概括 ，合作者顺序、最让人头疼的往往不是文风，而是末尾那串似真似假的参考文献。格式对、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 ，训练时它读过海量文本，查不到的一律舍弃 ，务实做法始终是自己动手去原始数据库里复核一遍 ，多音字姓名这类低频细节，而是根据上文逐字预测下一个词最可能是什么  。于是当被要求列参考文献时，它并不是从某个存储着真实文献的抽屉里把资料取出来，读起来可信的答案 。要么卷期页码对不上 。 是搞清楚大语言模型到底在做什么。用户越期待一个确凿的引用， 另一个推手来自信息的缺失与压缩 。