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