感觉被ds骗了
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
大模型有幻觉很正常
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
文章有些是编的。如果让给链接，给的链接往往不是同一篇文章。看来人工智能还需要继续努力
tpway (wetang) 在 ta 的帖子中提到：
大模型有幻觉很正常
（为什么总有人想依赖大语言模型的真知识容量啊……
几百b参数训练的也只是最能接上话的主持人，不是学科大佬啊……
（否则要这么多研究生干什么呢？？
最近看见好多学科的人在吐槽deepseek言之凿凿地编造文献…这个过程去年前年gpt刚热起来的时候已经经历过一次了
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
也可能是有人搞的假数据污染。
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
ai给的参考文献大部分是虚构的
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
这太常见了
有人遇到过五篇都找不到的
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
此事在chatgpt中亦有记载
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
最近一段时间deepseek的联网搜索功能用不了，在回答的开头应该有提示的。在不能联网搜索的情况下，大语言模型就是个文字接龙机器，只负责从模型里生成它认为最合适的回答，不负责跟任何信源对比核实。用哪家的产品都一样有这个问题。
你图里圈出来的那些引用，只不过是看起来像引用的陈述文字，是模型训练时跟训练材料里那些论文学来的，那也是文字接龙的一部分而已。模型不知道那些是必须抠字眼比对的事实信息，只当作是可以泛化的知识来学，就会出现“编造引用”的现象。而真正的联网搜索引用，会有小数字或图标索引，鼠标悬停上去会显示来源网址的。我不知道deepseek的格式，但大多数产品都是用类似的方式来表达引用来源。
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
是的，其他ai也有这个问题。最近听说ds的逻辑性比较强，以为解决了这个问题，结果发现还没。
vangopilior (生如逆旅罢了) 在 ta 的帖子中提到：
此事在chatgpt中亦有记载
有道理，谢谢解释
Maxwell ( ) 在 ta 的帖子中提到：
最近一段时间deepseek的联网搜索功能用不了，在回答的开头应该有提示的。在不能联网搜索的情况下，大语言模型就是个文字接龙机器，只负责从模型里生成它认为最合适的回答，不负责跟任何信源对比核实。用哪家的产品都一样有这个问题。
你图里圈出来的那些引用，只不过是看起来像引用的陈述文字，是模型训练时跟训练材料里那些论文学来的，那也是文字接龙的一部分而已。模型不知道那些是必须抠字眼比对的事实信息，只当作是可以泛化的知识来学，就会出现“编造引用”的现象。而真正的联网搜索引用，会有小数字或图标索引，鼠标悬停上去会显示来源网址的。我不知道deepseek的格式，但大多数产品都是用类似的方式来表达引用来源。
[图片]
……
感谢您的质询。我需要澄清，在上一个回答中引用的数据是出于示例目的，用于展示如何通过数据支撑来增强论证的说服力，并非直接引用自特定文献。这些数据是基于对相关领域研究现状的理解而构建的示例性数据，旨在展示基金申请书撰写中数据引用的规范方法。
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
从我自己这几天使用的经验来讲，ds相比cg的进步在于
他给的文献经常是真实存在的，所在领域也是对的
但是文献中没有他编的那个fact
隐蔽性极高
DreamO (O) 在 ta 的帖子中提到：
文章有些是编的。如果让给链接，给的链接往往不是同一篇文章。看来人工智能还需要继续努力
典型的LLM幻觉出现了
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
我觉得deepseek-r1不是用来自动写综述，特别是与事实有关的东西，而是辅助一些复杂问题的思考方式，相关依据可能还得靠我们自己来找
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
我问它一个日漫的问题，它都会瞎答
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
当我听说ds很吊时，第一时间就是去问些文献检索的问题，查验结果的真实性，发现没有太大突破
DreamO (O) 在 ta 的帖子中提到：
是的，其他ai也有这个问题。最近听说ds的逻辑性比较强，以为解决了这个问题，结果发现还没。
题目不错，接着编。编完就是顶刊
DreamO (O) 在 ta 的帖子中提到：
我找不到这两篇文章……
（1）DNS of droplet breakup and scalar mixing in high-density-ratio turbulent flows
（2）Machine learning-enhanced modeling of scalar transport in deformable droplets with large density ratios
