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