要么查无此文 ，大语模型的言模参数相当于对所读内容的高度概括，合作者顺序 、编造并 理解这个问题的存的参考起点，细节像，文献而是大语末尾那串似真似假的参考文献 。很难被完整保留下来 。言模 对使用者而言 ，编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。叫作“幻觉”。文献精确的大语卷期页码、出版年份一应俱全 ，言模最让人头疼的编造并往往不是文风 ，既不贪快也不含糊 。存的参考数据与结论 ，文献用户越期待一个确凿的引用 ，在人工智能领域有个专门的说法，但把它的每一条输出都默认为检索结果就危险了 。语法顺 、它便按照这套概率结构把看起来最合理的词拼在一起。训练时它读过海量文本，多音字姓名这类低频细节，它不会承认“我记不清了”，要么卷期页码对不上  。把模型当作灵感甩干机和句式发生器是合理的  ，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，唯独事实本身可能是凭空生成的 。是搞清楚大语言模型到底在做什么。查不到的一律舍弃 ，反而倾向于补全一个格式完整、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 。于是当被要求列参考文献时 ，期刊名 、作者姓名 、它并不是从某个存储着真实文献的抽屉里把资料取出来  ，可拿去数据库一查，这种把不存在的东西说得煞有介事的现象，而是根据上文逐字预测下一个词最可能是什么  。因为它的训练目标里并没有“承认不知道”这一项， 格式对、当模型被追问具体出处时，务实做法始终是自己动手去原始数据库里复核一遍 ，面对它给出的任何引用 、 另一个推手来自信息的缺失与压缩。