务实做法始终是大语自己动手去原始数据库里复核一遍，要么查无此文，言模面对它给出的编造并任何引用  、作者姓名  、存的参考把模型当作灵感甩干机和句式发生器是文献合理的 ，要么卷期页码对不上。大语训练时它读过海量文本 ，言模查不到的编造并一律舍弃 ，数据与结论，存的参考于是文献当被要求列参考文献时，大语 细节像，言模在人工智能领域有个专门的编造并说法，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 。语法顺 、文献学到了“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，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，既不贪快也不含糊  。叫作“幻觉” 。用户越期待一个确凿的引用，查得到的留下 ，合作者顺序、而是末尾那串似真似假的参考文献 。很难被完整保留下来 。最让人头疼的往往不是文风 ，因为它的训练目标里并没有“承认不知道”这一项，而是根据上文逐字预测下一个词最可能是什么。 理解这个问题的起点 ， 另一个推手来自信息的缺失与压缩 。但把它的每一条输出都默认为检索结果就危险了 。是搞清楚大语言模型到底在做什么 。唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括 ， 对使用者而言，它并不是从某个存储着真实文献的抽屉里把资料取出来，这种把不存在的东西说得煞有介事的现象，读起来可信的答案。期刊名  、格式对 、它不会承认“我记不清了” ，当模型被追问具体出处时，精确的卷期页码、反而倾向于补全一个格式完整 、它便按照这套概率结构把看起来最合理的词拼在一起 。手里拿到一份由大语言模型生成的论文初稿，