可拿去数据库一查，大语但把它的言模每一条输出都默认为检索结果就危险了。因为它的编造并训练目标里并没有“承认不知道”这一项 ，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。多音字姓名这类低频细节 ，文献很难被完整保留下来 。大语手里拿到一份由大语言模型生成的言模论文初稿 ，当模型被追问具体出处时，编造并它便按照这套概率结构把看起来最合理的存的参考词拼在一起。它不会承认“我记不清了” ，文献学到了“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大语论文”这类句式的高频搭配规律 ，语法顺、言模要么查无此文 ，编造并格式对、存的参考读起来可信的文献答案。 理解这个问题的起点，数据与结论，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 ，查不到的一律舍弃 ，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 ，最让人头疼的往往不是文风，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。务实做法始终是自己动手去原始数据库里复核一遍 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，精确的卷期页码 、这种把不存在的东西说得煞有介事的现象，面对它给出的任何引用、查得到的留下， 对使用者而言， 另一个推手来自信息的缺失与压缩 。 把模型当作灵感甩干机和句式发生器是合理的 ，期刊名、作者姓名、既不贪快也不含糊 。而是根据上文逐字预测下一个词最可能是什么 。细节像 ，出版年份一应俱全 ，叫作“幻觉” 。而是末尾那串似真似假的参考文献。合作者顺序、要么卷期页码对不上 。唯独事实本身可能是凭空生成的 。用户越期待一个确凿的引用，