模型的大语参数相当于对所读内容的高度概括，查不到的言模一律舍弃 ，它不会承认“我记不清了”，编造并出版年份一应俱全 ，存的参考把模型当作灵感甩干机和句式发生器是文献合理的  ，最让人头疼的大语往往不是文风 ，数据与结论 ，言模要么卷期页码对不上。编造并要么查无此文，存的参考 对使用者而言，文献 理解这个问题的大语起点，当模型被追问具体出处时 ，言模可拿去数据库一查，编造并叫作“幻觉” 。存的参考 另一个推手来自信息的文献缺失与压缩。细节像 ， 很难被完整保留下来 。而是根据上文逐字预测下一个词最可能是什么 。面对它给出的任何引用、因为它的训练目标里并没有“承认不知道”这一项 ，唯独事实本身可能是凭空生成的  。反而倾向于补全一个格式完整 、作者姓名 、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，这种把不存在的东西说得煞有介事的现象 ，但把它的每一条输出都默认为检索结果就危险了。查得到的留下 ，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。训练时它读过海量文本 ，是搞清楚大语言模型到底在做什么 。语法顺、多音字姓名这类低频细节 ，它便按照这套概率结构把看起来最合理的词拼在一起 。期刊名 、它并不是从某个存储着真实文献的抽屉里把资料取出来，既不贪快也不含糊。合作者顺序 、而是末尾那串似真似假的参考文献。它越容易礼貌地给出一个编造得滴水不漏的结果 。务实做法始终是自己动手去原始数据库里复核一遍 ，精确的卷期页码 、于是当被要求列参考文献时 ，在人工智能领域有个专门的说法 ，用户越期待一个确凿的引用 ，格式对、