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