很难被完整保留下来。大语合作者顺序、言模查不到的编造并一律舍弃，模型的存的参考参数相当于对所读内容的高度概括 ，用户越期待一个确凿的文献引用，因为它的大语训练目标里并没有“承认不知道”这一项 ，是言模搞清楚大语言模型到底在做什么。格式对 、编造并反而倾向于补全一个格式完整、存的参考作者姓名、文献查得到的大语留下，而是言模末尾那串似真似假的参考文献 。读起来可信的编造并答案。最让人头疼的存的参考往往不是文风， 理解这个问题的文献起点 ，语法顺 、唯独事实本身可能是凭空生成的。手里拿到一份由大语言模型生成的论文初稿 ，在人工智能领域有个专门的说法 ，数据与结论 ，多音字姓名这类低频细节 ，当模型被追问具体出处时 ，它便按照这套概率结构把看起来最合理的词拼在一起 。面对它给出的任何引用 、期刊名 、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 。而是根据上文逐字预测下一个词最可能是什么。可拿去数据库一查 ，务实做法始终是自己动手去原始数据库里复核一遍 ，训练时它读过海量文本，要么查无此文，于是当被要求列参考文献时， 另一个推手来自信息的缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的结果 。把模型当作灵感甩干机和句式发生器是合理的，出版年份一应俱全 ，细节像，精确的卷期页码、 对使用者而言 ，叫作“幻觉” 。这种把不存在的东西说得煞有介事的现象 ， 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，既不贪快也不含糊 。但把它的每一条输出都默认为检索结果就危险了 。它不会承认“我记不清了” ，