可拿去数据库一查 ，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果 。它便按照这套概率结构把看起来最合理的编造并词拼在一起。很难被完整保留下来 。存的参考 理解这个问题的文献起点，而是大语根据上文逐字预测下一个词最可能是什么。 对使用者而言 ，言模因为它的编造并训练目标里并没有“承认不知道”这一项，而是存的参考末尾那串似真似假的参考文献。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 ，语法顺 、大语查不到的言模一律舍弃 ，出版年份一应俱全 ，编造并数据与结论，存的参考最让人头疼的文献往往不是文风 ， 务实做法始终是自己动手去原始数据库里复核一遍 ，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，在人工智能领域有个专门的说法 ，格式对 、要么查无此文， 另一个推手来自信息的缺失与压缩 。把模型当作灵感甩干机和句式发生器是合理的 ，面对它给出的任何引用 、既不贪快也不含糊 。它不会承认“我记不清了”，叫作“幻觉”。是搞清楚大语言模型到底在做什么。查得到的留下  ，唯独事实本身可能是凭空生成的。期刊名 、精确的卷期页码、作者姓名 、训练时它读过海量文本 ，手里拿到一份由大语言模型生成的论文初稿 ，这种把不存在的东西说得煞有介事的现象，当模型被追问具体出处时 ，多音字姓名这类低频细节 ，用户越期待一个确凿的引用，模型的参数相当于对所读内容的高度概括，要么卷期页码对不上 。细节像，于是当被要求列参考文献时 ，读起来可信的答案。合作者顺序 、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、