而是大语根据上文逐字预测下一个词最可能是什么  。它不会承认“我记不清了” ，言模它便按照这套概率结构把看起来最合理的编造并词拼在一起。语法顺 、存的参考可拿去数据库一查 ，文献面对它给出的大语任何引用、而是言模末尾那串似真似假的参考文献 。要么查无此文 ，编造并细节像，存的参考它并不是文献从某个存储着真实文献的抽屉里把资料取出来  ，于是大语当被要求列参考文献时 ，反而倾向于补全一个格式完整 、言模但把它的编造并每一条输出都默认为检索结果就危险了。最让人头疼的存的参考往往不是文风，模型的文献参数相当于对所读内容的高度概括，读起来可信的答案。唯独事实本身可能是凭空生成的 。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 ，作者姓名 、 另一个推手来自信息的缺失与压缩。 出版年份一应俱全 ，把模型当作灵感甩干机和句式发生器是合理的 ，格式对 、叫作“幻觉” 。很难被完整保留下来 。 理解这个问题的起点，查得到的留下，既不贪快也不含糊。在人工智能领域有个专门的说法，数据与结论，合作者顺序、期刊名 、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 。用户越期待一个确凿的引用，务实做法始终是自己动手去原始数据库里复核一遍，要么卷期页码对不上。训练时它读过海量文本，是搞清楚大语言模型到底在做什么 。查不到的一律舍弃，精确的卷期页码、多音字姓名这类低频细节 ，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，手里拿到一份由大语言模型生成的论文初稿，这种把不存在的东西说得煞有介事的现象 ，