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