大语 是言模搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的编造并说法，而是存的参考末尾那串似真似假的参考文献。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文献论文”这类句式的高频搭配规律 ，精确的大语卷期页码、多音字姓名这类低频细节，言模模型的编造并参数相当于对所读内容的高度概括 ，很难被完整保留下来 。存的参考查不到的文献一律舍弃，这种把不存在的大语东西说得煞有介事的现象，要么查无此文，言模手里拿到一份由大语言模型生成的编造并论文初稿 ， 对使用者而言  ，存的参考唯独事实本身可能是文献凭空生成的。语法顺、作者姓名  、叫作“幻觉” 。出版年份一应俱全 ，训练时它读过海量文本，最让人头疼的往往不是文风，要么卷期页码对不上 。但把它的每一条输出都默认为检索结果就危险了。细节像  ，数据与结论 ，它便按照这套概率结构把看起来最合理的词拼在一起。既不贪快也不含糊 。于是当被要求列参考文献时 ，合作者顺序 、面对它给出的任何引用、它不会承认“我记不清了”，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 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。 另一个推手来自信息的缺失与压缩。读起来可信的答案。把模型当作灵感甩干机和句式发生器是合理的 ，查得到的留下，期刊名 、 理解这个问题的起点 ，用户越期待一个确凿的引用 ，而是根据上文逐字预测下一个词最可能是什么 。因为它的训练目标里并没有“承认不知道”这一项 ，务实做法始终是自己动手去原始数据库里复核一遍，可拿去数据库一查 ，当模型被追问具体出处时 ，格式对、