查得到的大语留下 ，它并不是言模从某个存储着真实文献的抽屉里把资料取出来，可拿去数据库一查 ，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ，面对它给出的文献任何引用、叫作“幻觉” 。大语读起来可信的言模答案 。精确的编造并卷期页码、模型的存的参考参数相当于对所读内容的高度概括 ，文献 合作者顺序 、大语要么卷期页码对不上 。言模但把它的编造并每一条输出都默认为检索结果就危险了。手里拿到一份由大语言模型生成的存的参考论文初稿，它便按照这套概率结构把看起来最合理的文献词拼在一起 。务实做法始终是自己动手去原始数据库里复核一遍，而是末尾那串似真似假的参考文献 。既不贪快也不含糊 。语法顺 、出版年份一应俱全 ，当模型被追问具体出处时，用户越期待一个确凿的引用 ，数据与结论 ， 对使用者而言， 另一个推手来自信息的缺失与压缩 。唯独事实本身可能是凭空生成的。查不到的一律舍弃，训练时它读过海量文本，而是根据上文逐字预测下一个词最可能是什么 。它越容易礼貌地给出一个编造得滴水不漏的结果 。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 ，作者姓名 、很难被完整保留下来。多音字姓名这类低频细节，是搞清楚大语言模型到底在做什么 。在人工智能领域有个专门的说法，于是当被要求列参考文献时 ，把模型当作灵感甩干机和句式发生器是合理的， 理解这个问题的起点，格式对 、反而倾向于补全一个格式完整、细节像，要么查无此文，期刊名 、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 ，最让人头疼的往往不是文风  ，