可拿去数据库一查 ，大语这种把不存在的言模东西说得煞有介事的现象，要么查无此文，编造并而是存的参考根据上文逐字预测下一个词最可能是什么。最让人头疼的文献往往不是文风，格式对、大语当模型被追问具体出处时 ，言模叫作“幻觉”。编造并 对使用者而言 ，存的参考出版年份一应俱全，文献面对它给出的大语任何引用、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言模论文”这类句式的高频搭配规律 ，精确的编造并卷期页码 、把模型当作灵感甩干机和句式发生器是存的参考合理的，是文献搞清楚大语言模型到底在做什么 。训练时它读过海量文本，多音字姓名这类低频细节，合作者顺序、它便按照这套概率结构把看起来最合理的词拼在一起。细节像，作者姓名、反而倾向于补全一个格式完整、查得到的留下，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。 另一个推手来自信息的缺失与压缩 。 手里拿到一份由大语言模型生成的论文初稿 ，语法顺 、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 。查不到的一律舍弃 ，期刊名 、在人工智能领域有个专门的说法 ， 理解这个问题的起点，用户越期待一个确凿的引用，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，而是末尾那串似真似假的参考文献 。唯独事实本身可能是凭空生成的。务实做法始终是自己动手去原始数据库里复核一遍 ，它不会承认“我记不清了”，很难被完整保留下来 。既不贪快也不含糊。数据与结论 ，要么卷期页码对不上。于是当被要求列参考文献时，