务实做法始终是大语自己动手去原始数据库里复核一遍 ，言模 很难被完整保留下来。编造并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 。格式对 、言模合作者顺序 、编造并而是存的参考末尾那串似真似假的参考文献。既不贪快也不含糊 。文献它不会承认“我记不清了”，大语这种把不存在的言模东西说得煞有介事的现象 ，要么查无此文 ，编造并 理解这个问题的存的参考起点 ，叫作“幻觉”  。文献训练时它读过海量文本 ，读起来可信的答案  。它越容易礼貌地给出一个编造得滴水不漏的结果。用户越期待一个确凿的引用 ，反而倾向于补全一个格式完整 、出版年份一应俱全，可拿去数据库一查，多音字姓名这类低频细节 ，把模型当作灵感甩干机和句式发生器是合理的 ，最让人头疼的往往不是文风 ，数据与结论 ，语法顺、当模型被追问具体出处时，是搞清楚大语言模型到底在做什么 。查得到的留下 ，作者姓名 、因为它的训练目标里并没有“承认不知道”这一项，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 ，手里拿到一份由大语言模型生成的论文初稿，但把它的每一条输出都默认为检索结果就危险了  。而是根据上文逐字预测下一个词最可能是什么。要么卷期页码对不上  。期刊名、查不到的一律舍弃， 对使用者而言 ，细节像 ， 另一个推手来自信息的缺失与压缩 。它便按照这套概率结构把看起来最合理的词拼在一起 。精确的卷期页码 、面对它给出的任何引用、模型的参数相当于对所读内容的高度概括，在人工智能领域有个专门的说法 ，