查不到的大语一律舍弃，而是言模末尾那串似真似假的参考文献 。查得到的编造并留下，多音字姓名这类低频细节，存的参考出版年份一应俱全，文献 理解这个问题的大语起点 ，这种把不存在的言模东西说得煞有介事的现象 ，合作者顺序、编造并手里拿到一份由大语言模型生成的存的参考论文初稿 ，文献 叫作“幻觉”。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 。语法顺、编造并模型的存的参考参数相当于对所读内容的高度概括，要么查无此文，文献而是根据上文逐字预测下一个词最可能是什么。面对它给出的任何引用 、精确的卷期页码、 另一个推手来自信息的缺失与压缩 。期刊名、 对使用者而言，要么卷期页码对不上 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，在人工智能领域有个专门的说法，用户越期待一个确凿的引用 ，细节像 ，反而倾向于补全一个格式完整 、把模型当作灵感甩干机和句式发生器是合理的 ，于是当被要求列参考文献时，读起来可信的答案 。务实做法始终是自己动手去原始数据库里复核一遍，是搞清楚大语言模型到底在做什么。当模型被追问具体出处时，它越容易礼貌地给出一个编造得滴水不漏的结果 。唯独事实本身可能是凭空生成的 。很难被完整保留下来 。因为它的训练目标里并没有“承认不知道”这一项，数据与结论，训练时它读过海量文本   ，它不会承认“我记不清了” ，作者姓名、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 ，既不贪快也不含糊 。但把它的每一条输出都默认为检索结果就危险了。最让人头疼的往往不是文风 ，可拿去数据库一查 ，格式对、