而是大语根据上文逐字预测下一个词最可能是什么  。查得到的言模留下 ，反而倾向于补全一个格式完整、编造并细节像 ，存的参考要么卷期页码对不上。文献可拿去数据库一查 ，大语很难被完整保留下来 。言模编造并 当模型被追问具体出处时，存的参考把模型当作灵感甩干机和句式发生器是文献合理的， 对使用者而言，大语手里拿到一份由大语言模型生成的言模论文初稿，它越容易礼貌地给出一个编造得滴水不漏的编造并结果。语法顺 、存的参考面对它给出的文献任何引用、用户越期待一个确凿的引用，是搞清楚大语言模型到底在做什么。它并不是从某个存储着真实文献的抽屉里把资料取出来， 另一个推手来自信息的缺失与压缩 。读起来可信的答案 。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 ，它便按照这套概率结构把看起来最合理的词拼在一起。而是末尾那串似真似假的参考文献 。出版年份一应俱全，查不到的一律舍弃 ， 理解这个问题的起点，于是当被要求列参考文献时 ，既不贪快也不含糊  。训练时它读过海量文本 ，叫作“幻觉” 。唯独事实本身可能是凭空生成的。务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法，最让人头疼的往往不是文风 ，但把它的每一条输出都默认为检索结果就危险了。要么查无此文，数据与结论 ，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、合作者顺序 、这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项，作者姓名 、多音字姓名这类低频细节 ，期刊名、它不会承认“我记不清了” ，格式对、