很难被完整保留下来。大语细节像 ，言模而是编造并末尾那串似真似假的参考文献  。要么查无此文，存的参考当模型被追问具体出处时，文献出版年份一应俱全，大语 对使用者而言，言模可拿去数据库一查，编造并唯独事实本身可能是存的参考凭空生成的。它不会承认“我记不清了”，文献反而倾向于补全一个格式完整 、大语多音字姓名这类低频细节 ，言模是编造并搞清楚大语言模型到底在做什么。数据与结论  ，存的参考 理解这个问题的文献起点 ，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 ，模型的参数相当于对所读内容的高度概括 ，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 ，查得到的留下， 另一个推手来自信息的缺失与压缩 。读起来可信的答案。它便按照这套概率结构把看起来最合理的词拼在一起 。最让人头疼的往往不是文风 ，要么卷期页码对不上。训练时它读过海量文本，合作者顺序、因为它的训练目标里并没有“承认不知道”这一项 ，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 ，查不到的一律舍弃 ，既不贪快也不含糊  。用户越期待一个确凿的引用，在人工智能领域有个专门的说法 ，于是当被要求列参考文献时 ，面对它给出的任何引用、它并不是从某个存储着真实文献的抽屉里把资料取出来，这种把不存在的东西说得煞有介事的现象 ，作者姓名、格式对、期刊名 、而是根据上文逐字预测下一个词最可能是什么。精确的卷期页码 、 但把它的每一条输出都默认为检索结果就危险了。叫作“幻觉”。它越容易礼貌地给出一个编造得滴水不漏的结果 。