多音字姓名这类低频细节，大语反而倾向于补全一个格式完整  、言模于是编造并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存的参考论文”这类句式的高频搭配规律，查不到的文献一律舍弃 ，数据与结论 ，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果 。编造并 理解这个问题的存的参考起点， 对使用者而言，文献唯独事实本身可能是大语凭空生成的 。查得到的言模留下，合作者顺序 、编造并精确的存的参考卷期页码 、面对它给出的文献任何引用、细节像 ，它不会承认“我记不清了” ，当模型被追问具体出处时 ，作者姓名、既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍， 另一个推手来自信息的缺失与压缩。很难被完整保留下来。期刊名、但把它的每一条输出都默认为检索结果就危险了。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。模型的参数相当于对所读内容的高度概括，训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象 ，而是根据上文逐字预测下一个词最可能是什么。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，格式对 、要么查无此文 ，叫作“幻觉”。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，把模型当作灵感甩干机和句式发生器是合理的，它便按照这套概率结构把看起来最合理的词拼在一起 。手里拿到一份由大语言模型生成的论文初稿 ，是搞清楚大语言模型到底在做什么 。用户越期待一个确凿的引用，读起来可信的答案 。要么卷期页码对不上 。可拿去数据库一查，语法顺 、出版年份一应俱全 ，