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