模型的大语参数相当于对所读内容的高度概括 ，叫作“幻觉” 。言模而是编造并根据上文逐字预测下一个词最可能是什么 。 理解这个问题的存的参考起点，要么卷期页码对不上  。文献既不贪快也不含糊。大语很难被完整保留下来  。言模面对它给出的编造并任何引用 、是存的参考搞清楚大语言模型到底在做什么。 对使用者而言 ，文献把模型当作灵感甩干机和句式发生器是大语合理的，多音字姓名这类低频细节，言模出版年份一应俱全，编造并 另一个推手来自信息的存的参考缺失与压缩  。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文献论文”这类句式的高频搭配规律  ，它不会承认“我记不清了” ，这种把不存在的东西说得煞有介事的现象，当模型被追问具体出处时 ，格式对、手里拿到一份由大语言模型生成的论文初稿，期刊名 、 而是末尾那串似真似假的参考文献。但把它的每一条输出都默认为检索结果就危险了 。要么查无此文 ，在人工智能领域有个专门的说法，它越容易礼貌地给出一个编造得滴水不漏的结果。合作者顺序、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 ，读起来可信的答案 。语法顺 、最让人头疼的往往不是文风 ，查不到的一律舍弃 ，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 ，于是当被要求列参考文献时 ，反而倾向于补全一个格式完整 、精确的卷期页码 、查得到的留下 ，它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论，唯独事实本身可能是凭空生成的。可拿去数据库一查 ，作者姓名、用户越期待一个确凿的引用  ，细节像  ，