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