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