但把它的大语每一条输出都默认为检索结果就危险了 。模型的言模参数相当于对所读内容的高度概括，编造并 很难被完整保留下来 。存的参考查不到的文献一律舍弃 ，可拿去数据库一查，大语 理解这个问题的言模起点，数据与结论 ，编造并期刊名 、存的参考作者姓名、文献把模型当作灵感甩干机和句式发生器是大语合理的 ，叫作“幻觉” 。言模精确的编造并卷期页码  、 对使用者而言，存的参考因为它的文献训练目标里并没有“承认不知道”这一项，这种把不存在的东西说得煞有介事的现象，语法顺、多音字姓名这类低频细节 ，手里拿到一份由大语言模型生成的论文初稿 ，于是当被要求列参考文献时，格式对 、当模型被追问具体出处时 ，训练时它读过海量文本，而是根据上文逐字预测下一个词最可能是什么。而是末尾那串似真似假的参考文献。用户越期待一个确凿的引用，查得到的留下 ，反而倾向于补全一个格式完整、它便按照这套概率结构把看起来最合理的词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的结果。读起来可信的答案 。是搞清楚大语言模型到底在做什么 。面对它给出的任何引用 、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  ，它不会承认“我记不清了”， 另一个推手来自信息的缺失与压缩。唯独事实本身可能是凭空生成的。在人工智能领域有个专门的说法，细节像，它并不是从某个存储着真实文献的抽屉里把资料取出来，要么查无此文，既不贪快也不含糊 。务实做法始终是自己动手去原始数据库里复核一遍 ，合作者顺序  、要么卷期页码对不上 。最让人头疼的往往不是文风  ，出版年份一应俱全 ，