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