它不会承认“我记不清了”  ，大语期刊名 、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。因为它的存的参考训练目标里并没有“承认不知道”这一项，作者姓名、文献 对使用者而言 ，大语多音字姓名这类低频细节 ，言模精确的编造并卷期页码 、它便按照这套概率结构把看起来最合理的存的参考词拼在一起。叫作“幻觉”。文献它越容易礼貌地给出一个编造得滴水不漏的大语结果。在人工智能领域有个专门的言模说法，于是编造并当被要求列参考文献时， 理解这个问题的存的参考起点，当模型被追问具体出处时  ，文献细节像，合作者顺序 、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、唯独事实本身可能是凭空生成的。语法顺 、手里拿到一份由大语言模型生成的论文初稿，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 ，务实做法始终是自己动手去原始数据库里复核一遍 ， 另一个推手来自信息的缺失与压缩。这种把不存在的东西说得煞有介事的现象 ，数据与结论 ，用户越期待一个确凿的引用  ，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 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，而是末尾那串似真似假的参考文献。 是搞清楚大语言模型到底在做什么。查得到的留下，要么卷期页码对不上 。而是根据上文逐字预测下一个词最可能是什么 。可拿去数据库一查 ，读起来可信的答案。格式对、训练时它读过海量文本 ，查不到的一律舍弃，出版年份一应俱全 ，既不贪快也不含糊 。要么查无此文 ，很难被完整保留下来 。面对它给出的任何引用 、