大语 细节像 ，言模在人工智能领域有个专门的编造并说法 ，数据与结论 ，存的参考而是文献根据上文逐字预测下一个词最可能是什么 。反而倾向于补全一个格式完整、大语是言模搞清楚大语言模型到底在做什么。而是编造并末尾那串似真似假的参考文献。用户越期待一个确凿的存的参考引用，手里拿到一份由大语言模型生成的文献论文初稿 ，格式对 、大语读起来可信的言模答案 。作者姓名  、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 。 理解这个问题的文献起点  ，期刊名 、唯独事实本身可能是凭空生成的。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，语法顺、于是当被要求列参考文献时，要么查无此文 ，多音字姓名这类低频细节  ，叫作“幻觉”。但把它的每一条输出都默认为检索结果就危险了  。合作者顺序 、很难被完整保留下来 。精确的卷期页码 、查得到的留下，因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全，查不到的一律舍弃 ，既不贪快也不含糊。它便按照这套概率结构把看起来最合理的词拼在一起。把模型当作灵感甩干机和句式发生器是合理的 ，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 ，面对它给出的任何引用 、训练时它读过海量文本 ，模型的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。 对使用者而言，要么卷期页码对不上。最让人头疼的往往不是文风  ，它不会承认“我记不清了”，这种把不存在的东西说得煞有介事的现象，可拿去数据库一查 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，