但把它的大语每一条输出都默认为检索结果就危险了 。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言模论文”这类句式的高频搭配规律，作者姓名 、编造并训练时它读过海量文本，存的参考要么查无此文，文献大语 细节像，言模而是编造并末尾那串似真似假的参考文献 。 理解这个问题的存的参考起点，查不到的文献一律舍弃，是大语搞清楚大语言模型到底在做什么 。期刊名 、言模面对它给出的编造并任何引用、它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。它便按照这套概率结构把看起来最合理的文献词拼在一起 。出版年份一应俱全 ，格式对  、很难被完整保留下来。当模型被追问具体出处时，而是根据上文逐字预测下一个词最可能是什么 。它并不是从某个存储着真实文献的抽屉里把资料取出来，模型的参数相当于对所读内容的高度概括  ，精确的卷期页码  、 另一个推手来自信息的缺失与压缩 。把模型当作灵感甩干机和句式发生器是合理的，语法顺 、务实做法始终是自己动手去原始数据库里复核一遍 ，因为它的训练目标里并没有“承认不知道”这一项，手里拿到一份由大语言模型生成的论文初稿 ，它不会承认“我记不清了”，合作者顺序、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、于是当被要求列参考文献时 ，读起来可信的答案。查得到的留下，多音字姓名这类低频细节，在人工智能领域有个专门的说法，唯独事实本身可能是凭空生成的 。叫作“幻觉” 。 对使用者而言  ，可拿去数据库一查，用户越期待一个确凿的引用，既不贪快也不含糊 。数据与结论 ，要么卷期页码对不上。最让人头疼的往往不是文风，