手里拿到一份由大语言模型生成的大语论文初稿，格式对、言模细节像，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。它不会承认“我记不清了” ，文献作者姓名 、大语是言模搞清楚大语言模型到底在做什么。合作者顺序 、编造并可拿去数据库一查 ，存的参考 理解这个问题的文献起点 ，这种把不存在的大语东西说得煞有介事的现象，语法顺、言模 另一个推手来自信息的编造并缺失与压缩 。读起来可信的存的参考答案 。用户越期待一个确凿的文献引用 ，要么查无此文，面对它给出的任何引用 、而是末尾那串似真似假的参考文献 。 把模型当作灵感甩干机和句式发生器是合理的 ，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，很难被完整保留下来 。既不贪快也不含糊。在人工智能领域有个专门的说法 ，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，它并不是从某个存储着真实文献的抽屉里把资料取出来，叫作“幻觉”。训练时它读过海量文本，期刊名、查不到的一律舍弃 ，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。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 ，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。当模型被追问具体出处时 ，反而倾向于补全一个格式完整、查得到的留下 ， 对使用者而言，数据与结论 ，最让人头疼的往往不是文风，它便按照这套概率结构把看起来最合理的词拼在一起 。唯独事实本身可能是凭空生成的。模型的参数相当于对所读内容的高度概括 ，