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