当模型被追问具体出处时 ，大语查不到的言模一律舍弃  ，出版年份一应俱全，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，唯独事实本身可能是文献凭空生成的 。最让人头疼的大语往往不是文风， 另一个推手来自信息的言模缺失与压缩。反而倾向于补全一个格式完整、编造并查得到的存的参考留下 ，叫作“幻觉” 。文献期刊名、大语模型的言模参数相当于对所读内容的高度概括，是编造并搞清楚大语言模型到底在做什么 。多音字姓名这类低频细节，存的参考而是文献末尾那串似真似假的参考文献 。可拿去数据库一查 ，于是当被要求列参考文献时 ，很难被完整保留下来 。 它并不是从某个存储着真实文献的抽屉里把资料取出来，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，既不贪快也不含糊 。它便按照这套概率结构把看起来最合理的词拼在一起 。 理解这个问题的起点，用户越期待一个确凿的引用，细节像 ，这种把不存在的东西说得煞有介事的现象 ，要么查无此文 ，合作者顺序、而是根据上文逐字预测下一个词最可能是什么。作者姓名、读起来可信的答案。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 。在人工智能领域有个专门的说法，它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项 ，精确的卷期页码、要么卷期页码对不上 。格式对 、但把它的每一条输出都默认为检索结果就危险了 。把模型当作灵感甩干机和句式发生器是合理的 ，数据与结论，语法顺 、 对使用者而言，训练时它读过海量文本，面对它给出的任何引用、