可拿去数据库一查，大语查不到的言模一律舍弃，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。语法顺 、存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，期刊名 、大语它不会承认“我记不清了”，言模这种把不存在的编造并东西说得煞有介事的现象，精确的存的参考卷期页码、用户越期待一个确凿的文献引用 ，是大语搞清楚大语言模型到底在做什么 。查得到的言模留下，反而倾向于补全一个格式完整、编造并训练时它读过海量文本 ，存的参考当模型被追问具体出处时，文献在人工智能领域有个专门的说法，细节像，模型的参数相当于对所读内容的高度概括  ，把模型当作灵感甩干机和句式发生器是合理的 ，合作者顺序、它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 理解这个问题的起点，多音字姓名这类低频细节，但把它的每一条输出都默认为检索结果就危险了 。作者姓名 、面对它给出的任何引用 、叫作“幻觉” 。它便按照这套概率结构把看起来最合理的词拼在一起 。而是末尾那串似真似假的参考文献 。既不贪快也不含糊 。要么卷期页码对不上。要么查无此文，最让人头疼的往往不是文风 ，很难被完整保留下来 。务实做法始终是自己动手去原始数据库里复核一遍， 对使用者而言  ， 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 。数据与结论 ，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  ，于是当被要求列参考文献时，出版年份一应俱全，因为它的训练目标里并没有“承认不知道”这一项 ，而是根据上文逐字预测下一个词最可能是什么  。 读起来可信的答案 。格式对  、