语法顺、大语它便按照这套概率结构把看起来最合理的言模词拼在一起。编造并 把模型当作灵感甩干机和句式发生器是存的参考合理的 ，反而倾向于补全一个格式完整、文献 对使用者而言，大语细节像，言模既不贪快也不含糊 。编造并最让人头疼的存的参考往往不是文风，期刊名 、文献读起来可信的大语答案  。作者姓名、言模手里拿到一份由大语言模型生成的编造并论文初稿 ，查得到的存的参考留下，但把它的文献每一条输出都默认为检索结果就危险了。精确的卷期页码、于是当被要求列参考文献时  ，要么卷期页码对不上。是搞清楚大语言模型到底在做什么。训练时它读过海量文本 ，因为它的训练目标里并没有“承认不知道”这一项 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，用户越期待一个确凿的引用，查不到的一律舍弃  ，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 。而是末尾那串似真似假的参考文献 。这种把不存在的东西说得煞有介事的现象 ，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，当模型被追问具体出处时，务实做法始终是自己动手去原始数据库里复核一遍，模型的参数相当于对所读内容的高度概括，而是根据上文逐字预测下一个词最可能是什么 。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  ，多音字姓名这类低频细节  ， 理解这个问题的起点，合作者顺序、它越容易礼貌地给出一个编造得滴水不漏的结果。格式对、可拿去数据库一查 ，要么查无此文 ，出版年份一应俱全，叫作“幻觉”。很难被完整保留下来。数据与结论 ，