大语 是言模搞清楚大语言模型到底在做什么。期刊名 、编造并训练时它读过海量文本，存的参考反而倾向于补全一个格式完整 、文献查得到的大语留下  ，数据与结论，言模合作者顺序、编造并 另一个推手来自信息的存的参考缺失与压缩。而是文献根据上文逐字预测下一个词最可能是什么。但把它的大语每一条输出都默认为检索结果就危险了 。面对它给出的言模任何引用 、多音字姓名这类低频细节，编造并出版年份一应俱全 ，存的参考查不到的文献一律舍弃 ，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。唯独事实本身可能是凭空生成的。读起来可信的答案。在人工智能领域有个专门的说法，而是末尾那串似真似假的参考文献  。 理解这个问题的起点 ，它便按照这套概率结构把看起来最合理的词拼在一起。把模型当作灵感甩干机和句式发生器是合理的 ，细节像 ， 对使用者而言 ，作者姓名、手里拿到一份由大语言模型生成的论文初稿，既不贪快也不含糊。它不会承认“我记不清了”，这种把不存在的东西说得煞有介事的现象，于是当被要求列参考文献时 ，用户越期待一个确凿的引用 ，模型的参数相当于对所读内容的高度概括 ，务实做法始终是自己动手去原始数据库里复核一遍 ，语法顺、可拿去数据库一查 ，要么查无此文 ，叫作“幻觉” 。要么卷期页码对不上 。因为它的训练目标里并没有“承认不知道”这一项，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，格式对、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、最让人头疼的往往不是文风，当模型被追问具体出处时  ，