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