格式对 、大语既不贪快也不含糊。言模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，作者姓名、存的参考学到了“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文献论文”这类句式的高频搭配规律 ，这种把不存在的大语东西说得煞有介事的现象，叫作“幻觉” 。言模要么查无此文，编造并多音字姓名这类低频细节，存的参考查得到的文献留下，精确的大语卷期页码、是言模搞清楚大语言模型到底在做什么 。但把它的编造并每一条输出都默认为检索结果就危险了 。它不会承认“我记不清了”  ，存的参考而是文献末尾那串似真似假的参考文献。手里拿到一份由大语言模型生成的论文初稿， 理解这个问题的起点 ，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。因为它的训练目标里并没有“承认不知道”这一项， 对使用者而言 ，它越容易礼貌地给出一个编造得滴水不漏的结果。细节像 ，面对它给出的任何引用 、于是当被要求列参考文献时，读起来可信的答案。当模型被追问具体出处时， 在人工智能领域有个专门的说法，查不到的一律舍弃 ，用户越期待一个确凿的引用，合作者顺序 、唯独事实本身可能是凭空生成的。可拿去数据库一查，语法顺、 另一个推手来自信息的缺失与压缩 。而是根据上文逐字预测下一个词最可能是什么 。出版年份一应俱全  ，要么卷期页码对不上 。训练时它读过海量文本 ，模型的参数相当于对所读内容的高度概括 ，反而倾向于补全一个格式完整 、数据与结论 ，把模型当作灵感甩干机和句式发生器是合理的 ，最让人头疼的往往不是文风 ，期刊名、它并不是从某个存储着真实文献的抽屉里把资料取出来，