是大语搞清楚大语言模型到底在做什么。它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，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，训练时它读过海量文本，存的参考可拿去数据库一查，文献在人工智能领域有个专门的大语说法，作者姓名、言模 另一个推手来自信息的编造并缺失与压缩 。要么查无此文 ，存的参考合作者顺序、文献当模型被追问具体出处时 ，大语查不到的言模一律舍弃，数据与结论 ，编造并期刊名 、存的参考手里拿到一份由大语言模型生成的文献论文初稿，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 ，模型的参数相当于对所读内容的高度概括 ，它不会承认“我记不清了”，但把它的每一条输出都默认为检索结果就危险了 。用户越期待一个确凿的引用，叫作“幻觉”。出版年份一应俱全 ，细节像，它越容易礼貌地给出一个编造得滴水不漏的结果 。于是当被要求列参考文献时，很难被完整保留下来。它便按照这套概率结构把看起来最合理的词拼在一起。 对使用者而言 ，读起来可信的答案。格式对 、反而倾向于补全一个格式完整 、因为它的训练目标里并没有“承认不知道”这一项 ，语法顺、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 、查得到的留下， 理解这个问题的起点，精确的卷期页码、把模型当作灵感甩干机和句式发生器是合理的，唯独事实本身可能是凭空生成的 。既不贪快也不含糊 。这种把不存在的东西说得煞有介事的现象，而是末尾那串似真似假的参考文献。要么卷期页码对不上 。最让人头疼的往往不是文风 ， 多音字姓名这类低频细节，