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