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