作者姓名、大语是言模搞清楚大语言模型到底在做什么 。合作者顺序、编造并而是存的参考末尾那串似真似假的参考文献 。模型的文献参数相当于对所读内容的高度概括，要么卷期页码对不上 。大语因为它的言模训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的编造并引用，唯独事实本身可能是存的参考凭空生成的 。期刊名、文献既不贪快也不含糊。大语但把它的言模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编造并论文初稿 ，读起来可信的存的参考答案。多音字姓名这类低频细节 ，文献训练时它读过海量文本 ，它不会承认“我记不清了”， 细节像  ，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，可拿去数据库一查，很难被完整保留下来 。当模型被追问具体出处时  ，格式对、 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，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 、数据与结论 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。在人工智能领域有个专门的说法 ，查不到的一律舍弃，语法顺、 另一个推手来自信息的缺失与压缩 。出版年份一应俱全，于是当被要求列参考文献时 ，精确的卷期页码 、查得到的留下 ，要么查无此文，反而倾向于补全一个格式完整 、叫作“幻觉” 。它便按照这套概率结构把看起来最合理的词拼在一起。这种把不存在的东西说得煞有介事的现象 ，最让人头疼的往往不是文风 ，务实做法始终是自己动手去原始数据库里复核一遍，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 对使用者而言 ，