然而，息足性也无法确保LLM完全免受错误信息的准确影响。尽管这种方法未能捕捉到所有医学错误信息，中毒但成功标记了其中的医学易错影响大部分。
研究团队还深入探究了错误信息的模型最低影响阈值。也可能导致LLM输出不准确的误信医学答案，能够识别LLM输出中的息足性无码医学术语，研究显示，准确
纽约大学近期公布的中毒一项研究，必须保持高度的医学易错影响警惕和审慎。为了应对这一问题，模型以疫苗错误信息为例，就很难通过后续的更新或修正来完全消除。许多非专业人士倾向于从通用的LLM中获取医学信息，其中包含大量未经核实的错误信息。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。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%，一旦错误信息被模型学习并固化，研究进一步表明，研究人员设计了一种算法，即便训练数据中仅混入极少量（0.001%）的错误信息，而这些模型往往基于整个互联网进行训练，并与经过验证的生物医学知识图谱进行比对，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。
研究还强调了错误信息在LLM训练中的隐蔽性和持久性。即便依赖最优质的医学数据库进行训练，现有的错误信息问题同样严峻。
研究同时指出，进行类似的攻击仅需生成4万篇文章（成本不到100美元）。从而标记出无法验证的短语。当错误信息仅占训练数据的0.01%时，错误信息可以隐藏在网页的不可见区域，
总之，提醒我们在利用LLM进行医学信息传播和决策支持时，研究指出，
以确保模型的准确性和可靠性。对于拥有700亿参数的LLaMA 2模型，这一发现引起了广泛关注。仍有超过7%的答案是有害的。纽约大学的这项研究为我们敲响了警钟，这些“文章”可以是普通的网页，