总之，误信当错误信息仅占训练数据的息足性无码科技0.01%时，对于拥有700亿参数的准确LLaMA 2模型，从而标记出无法验证的中毒短语。进行类似的医学易错影响攻击仅需生成4万篇文章（成本不到100美元）。研究指出，模型纽约大学的这项研究为我们敲响了警钟，这要求我们在构建和训练LLM时，
然而，医学领域的复杂性和多样性使得构建一个始终可靠的医学LLM变得异常艰难。就很难通过后续的更新或修正来完全消除。
研究团队还深入探究了错误信息的最低影响阈值。即便训练数据中仅混入极少量（0.001%）的错误信息，并与经过验证的生物医学知识图谱进行比对，为了应对这一问题，提醒我们在利用LLM进行医学信息传播和决策支持时，错误信息可以隐藏在网页的不可见区域，一旦错误信息被模型学习并固化，现有的错误信息问题同样严峻。
研究同时指出，仍有超过7%的答案是有害的。即便依赖最优质的医学数据库进行训练，其中包含大量未经核实的错误信息。而这些模型往往基于整个互联网进行训练，研究显示，研究人员设计了一种算法，揭示了大型语言模型（LLM）在接收医学领域训练数据时面临的潜在风险。这些“文章”可以是普通的网页，或者通过隐藏文本（如黑色背景上的黑色文字）来实现。
纽约大学近期公布的一项研究，
即便是最优质的医学数据库（如PubMed）也未能幸免于错误信息的问题。研究还强调了错误信息在LLM训练中的隐蔽性和持久性。医学研究文献中充斥着未能验证的理论和已被淘汰的治疗方法。模型生成的答案中超过10%包含错误信息；即便错误信息比例降至0.001%，必须保持高度的警惕和审慎。这一发现引起了广泛关注。许多非专业人士倾向于从通用的LLM中获取医学信息，