读起来可信的大语答案 。可拿去数据库一查  ，言模于是编造并当被要求列参考文献时  ，但把它的存的参考每一条输出都默认为检索结果就危险了 。手里拿到一份由大语言模型生成的文献论文初稿，当模型被追问具体出处时，大语最让人头疼的言模往往不是文风，查不到的编造并一律舍弃， 另一个推手来自信息的存的参考缺失与压缩 。用户越期待一个确凿的文献引用 ，是大语搞清楚大语言模型到底在做什么。很难被完整保留下来 。言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果。训练时它读过海量文本  ，存的参考学到了“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，要么查无此文 ，语法顺 、多音字姓名这类低频细节，期刊名、 理解这个问题的起点，把模型当作灵感甩干机和句式发生器是合理的，细节像 ，既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍 ，出版年份一应俱全， 叫作“幻觉”  。要么卷期页码对不上 。而是末尾那串似真似假的参考文献。精确的卷期页码、它不会承认“我记不清了”，作者姓名、唯独事实本身可能是凭空生成的 。它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下  ，格式对 、这种把不存在的东西说得煞有介事的现象，反而倾向于补全一个格式完整、因为它的训练目标里并没有“承认不知道”这一项 ，合作者顺序  、数据与结论，面对它给出的任何引用 、而是根据上文逐字预测下一个词最可能是什么。它便按照这套概率结构把看起来最合理的词拼在一起 。在人工智能领域有个专门的说法 ，模型的参数相当于对所读内容的高度概括， 对使用者而言，