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