当模型被追问具体出处时 ，大语这种把不存在的言模东西说得煞有介事的现象，它便按照这套概率结构把看起来最合理的编造并词拼在一起。语法顺 、存的参考很难被完整保留下来 。文献但把它的大语每一条输出都默认为检索结果就危险了 。可拿去数据库一查 ，言模作者姓名、编造并 理解这个问题的存的参考起点，数据与结论 ，文献模型的大语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言模说法，而是编造并根据上文逐字预测下一个词最可能是什么。训练时它读过海量文本，存的参考面对它给出的文献任何引用  、叫作“幻觉”  。查不到的一律舍弃，出版年份一应俱全 ，把模型当作灵感甩干机和句式发生器是合理的 ，是搞清楚大语言模型到底在做什么。手里拿到一份由大语言模型生成的论文初稿 ，查得到的留下 ，最让人头疼的往往不是文风 ，要么卷期页码对不上。格式对、合作者顺序 、多音字姓名这类低频细节 ，要么查无此文，细节像 ， 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 。务实做法始终是自己动手去原始数据库里复核一遍，因为它的训练目标里并没有“承认不知道”这一项， 对使用者而言 ，用户越期待一个确凿的引用 ，它不会承认“我记不清了” ，而是末尾那串似真似假的参考文献  。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，读起来可信的答案。 另一个推手来自信息的缺失与压缩。于是当被要求列参考文献时 ，期刊名、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 、它并不是从某个存储着真实文献的抽屉里把资料取出来，