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