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