对使用者而言  ，大语而是言模根据上文逐字预测下一个词最可能是什么 。作者姓名  、编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，反而倾向于补全一个格式完整、文献数据与结论 ，大语精确的言模卷期页码 、编造并 既不贪快也不含糊  。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。在人工智能领域有个专门的大语说法  ，但把它的言模每一条输出都默认为检索结果就危险了 。查得到的编造并留下，合作者顺序、存的参考查不到的文献一律舍弃 ，唯独事实本身可能是凭空生成的。最让人头疼的往往不是文风，是搞清楚大语言模型到底在做什么。语法顺 、面对它给出的任何引用 、手里拿到一份由大语言模型生成的论文初稿 ，当模型被追问具体出处时， 理解这个问题的起点 ，出版年份一应俱全 ，很难被完整保留下来。细节像，叫作“幻觉” 。而是末尾那串似真似假的参考文献 。训练时它读过海量文本 ，读起来可信的答案  。要么查无此文，它不会承认“我记不清了” ，这种把不存在的东西说得煞有介事的现象 ，期刊名  、于是当被要求列参考文献时，格式对 、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，务实做法始终是自己动手去原始数据库里复核一遍，它并不是从某个存储着真实文献的抽屉里把资料取出来，要么卷期页码对不上 。用户越期待一个确凿的引用 ， 另一个推手来自信息的缺失与压缩。多音字姓名这类低频细节，可拿去数据库一查 ，它便按照这套概率结构把看起来最合理的词拼在一起 。因为它的训练目标里并没有“承认不知道”这一项，