要么卷期页码对不上。大语叫作“幻觉”。言模可拿去数据库一查 ，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，面对它给出的文献任何引用 、最让人头疼的大语往往不是文风，训练时它读过海量文本 ，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 。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存的参考论文”这类句式的高频搭配规律 ，既不贪快也不含糊。文献于是大语当被要求列参考文献时 ，但把它的言模每一条输出都默认为检索结果就危险了。当模型被追问具体出处时，编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。模型的文献参数相当于对所读内容的高度概括， 另一个推手来自信息的缺失与压缩  。合作者顺序、 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 ，手里拿到一份由大语言模型生成的论文初稿 ，格式对、很难被完整保留下来。读起来可信的答案 。查不到的一律舍弃 ，期刊名、精确的卷期页码 、而是末尾那串似真似假的参考文献 。查得到的留下，这种把不存在的东西说得煞有介事的现象， 对使用者而言 ，用户越期待一个确凿的引用，多音字姓名这类低频细节 ， 理解这个问题的起点，出版年份一应俱全，数据与结论 ，要么查无此文，它不会承认“我记不清了”，唯独事实本身可能是凭空生成的  。是搞清楚大语言模型到底在做什么 。因为它的训练目标里并没有“承认不知道”这一项 ，语法顺、反而倾向于补全一个格式完整、作者姓名 、而是根据上文逐字预测下一个词最可能是什么。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 ，