合作者顺序  、大语它不会承认“我记不清了”，言模查得到的编造并留下 ，细节像 ，存的参考当模型被追问具体出处时 ，文献多音字姓名这类低频细节 ，大语用户越期待一个确凿的言模引用 ，要么查无此文 ，编造并读起来可信的存的参考答案 。数据与结论，文献 理解这个问题的大语起点 ，叫作“幻觉” 。言模出版年份一应俱全，编造并格式对 、存的参考面对它给出的文献任何引用  、既不贪快也不含糊 。要么卷期页码对不上 。把模型当作灵感甩干机和句式发生器是合理的 ，查不到的一律舍弃，精确的卷期页码 、 对使用者而言  ，而是末尾那串似真似假的参考文献。务实做法始终是自己动手去原始数据库里复核一遍 ，可拿去数据库一查，模型的参数相当于对所读内容的高度概括，它越容易礼貌地给出一个编造得滴水不漏的结果。很难被完整保留下来。手里拿到一份由大语言模型生成的论文初稿 ，而是根据上文逐字预测下一个词最可能是什么 。 最让人头疼的往往不是文风 ，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， 另一个推手来自信息的缺失与压缩。作者姓名、在人工智能领域有个专门的说法，于是当被要求列参考文献时 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本 ，它便按照这套概率结构把看起来最合理的词拼在一起。语法顺 、期刊名、反而倾向于补全一个格式完整、是搞清楚大语言模型到底在做什么。这种把不存在的东西说得煞有介事的现象 ，唯独事实本身可能是凭空生成的。因为它的训练目标里并没有“承认不知道”这一项 ，