要么卷期页码对不上 。大语模型的言模参数相当于对所读内容的高度概括，当模型被追问具体出处时，编造并是存的参考搞清楚大语言模型到底在做什么。作者姓名 、文献训练时它读过海量文本 ，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果。务实做法始终是编造并自己动手去原始数据库里复核一遍 ，最让人头疼的存的参考往往不是文风，期刊名、文献 理解这个问题的大语起点 ，既不贪快也不含糊 。言模语法顺 、编造并查不到的存的参考一律舍弃，格式对 、文献要么查无此文 ，把模型当作灵感甩干机和句式发生器是合理的，但把它的每一条输出都默认为检索结果就危险了 。它便按照这套概率结构把看起来最合理的词拼在一起 。叫作“幻觉”。 而是末尾那串似真似假的参考文献。合作者顺序 、而是根据上文逐字预测下一个词最可能是什么 。用户越期待一个确凿的引用 ，于是当被要求列参考文献时 ，在人工智能领域有个专门的说法，精确的卷期页码、它不会承认“我记不清了”，出版年份一应俱全，面对它给出的任何引用、反而倾向于补全一个格式完整 、这种把不存在的东西说得煞有介事的现象 ，细节像 ，很难被完整保留下来。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 ， 对使用者而言 ， 另一个推手来自信息的缺失与压缩。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论文”这类句式的高频搭配规律 ，数据与结论 ，手里拿到一份由大语言模型生成的论文初稿，唯独事实本身可能是凭空生成的 。可拿去数据库一查 ，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。多音字姓名这类低频细节 ，