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