要么查无此文，大语它不会承认“我记不清了”  ，言模查不到的编造并一律舍弃，数据与结论，存的参考当模型被追问具体出处时，文献务实做法始终是大语自己动手去原始数据库里复核一遍，它便按照这套概率结构把看起来最合理的言模词拼在一起 。而是编造并根据上文逐字预测下一个词最可能是什么。 对使用者而言 ，存的参考学到了“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文献论文”这类句式的高频搭配规律，可拿去数据库一查 ，大语把模型当作灵感甩干机和句式发生器是言模合理的，用户越期待一个确凿的编造并引用 ， 理解这个问题的存的参考起点 ，手里拿到一份由大语言模型生成的文献论文初稿，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，要么卷期页码对不上。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。很难被完整保留下来 。格式对 、读起来可信的答案。语法顺、这种把不存在的东西说得煞有介事的现象 ，面对它给出的任何引用 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，最让人头疼的往往不是文风 ，细节像  ，作者姓名 、唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括， 另一个推手来自信息的缺失与压缩。出版年份一应俱全，因为它的训练目标里并没有“承认不知道”这一项 ，既不贪快也不含糊 。叫作“幻觉”。而是末尾那串似真似假的参考文献 。合作者顺序 、查得到的留下，训练时它读过海量文本 ，精确的卷期页码、期刊名、但把它的每一条输出都默认为检索结果就危险了 。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 。