期刊名、大语但把它的言模每一条输出都默认为检索结果就危险了 。把模型当作灵感甩干机和句式发生器是编造并合理的，精确的存的参考卷期页码 、是文献搞清楚大语言模型到底在做什么 。面对它给出的大语任何引用 、 对使用者而言，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 。用户越期待一个确凿的文献引用 ，在人工智能领域有个专门的大语说法 ，数据与结论，言模模型的编造并参数相当于对所读内容的高度概括，它不会承认“我记不清了”，存的参考格式对 、文献当模型被追问具体出处时 ，查不到的一律舍弃 ，叫作“幻觉”  。细节像 ，而是末尾那串似真似假的参考文献。读起来可信的答案 。合作者顺序、这种把不存在的东西说得煞有介事的现象，反而倾向于补全一个格式完整 、很难被完整保留下来。作者姓名 、 理解这个问题的起点 ， 出版年份一应俱全，于是当被要求列参考文献时 ，它便按照这套概率结构把看起来最合理的词拼在一起 。唯独事实本身可能是凭空生成的 。训练时它读过海量文本，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， 另一个推手来自信息的缺失与压缩。既不贪快也不含糊 。多音字姓名这类低频细节 ，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，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，要么卷期页码对不上 。要么查无此文 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，可拿去数据库一查，查得到的留下，而是根据上文逐字预测下一个词最可能是什么。