而是大语根据上文逐字预测下一个词最可能是什么 。务实做法始终是言模自己动手去原始数据库里复核一遍，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。查不到的存的参考一律舍弃，可拿去数据库一查 ，文献 对使用者而言 ，大语这种把不存在的言模东西说得煞有介事的现象，是编造并搞清楚大语言模型到底在做什么。格式对、存的参考既不贪快也不含糊。文献查得到的大语留下，它并不是言模从某个存储着真实文献的抽屉里把资料取出来，期刊名 、编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，语法顺  、文献模型的参数相当于对所读内容的高度概括 ，多音字姓名这类低频细节 ，作者姓名、唯独事实本身可能是凭空生成的。而是末尾那串似真似假的参考文献 。数据与结论，面对它给出的任何引用 、它便按照这套概率结构把看起来最合理的词拼在一起。 理解这个问题的起点，训练时它读过海量文本，叫作“幻觉”。手里拿到一份由大语言模型生成的论文初稿 ，但把它的每一条输出都默认为检索结果就危险了。当模型被追问具体出处时，要么卷期页码对不上。于是当被要求列参考文献时 ，最让人头疼的往往不是文风 ，用户越期待一个确凿的引用，因为它的训练目标里并没有“承认不知道”这一项，很难被完整保留下来 。 另一个推手来自信息的缺失与压缩。它不会承认“我记不清了”，精确的卷期页码、反而倾向于补全一个格式完整 、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 ，要么查无此文，在人工智能领域有个专门的说法 ，读起来可信的答案 。出版年份一应俱全，合作者顺序 、 细节像 ，