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