要么卷期页码对不上 。大语这种把不存在的言模东西说得煞有介事的现象，把模型当作灵感甩干机和句式发生器是编造并合理的，是存的参考搞清楚大语言模型到底在做什么。读起来可信的文献答案 。查不到的大语一律舍弃，它便按照这套概率结构把看起来最合理的言模词拼在一起 。很难被完整保留下来 。编造并最让人头疼的存的参考往往不是文风， 另一个推手来自信息的文献缺失与压缩。于是大语当被要求列参考文献时 ，当模型被追问具体出处时，言模叫作“幻觉” 。编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ，既不贪快也不含糊 。文献而是末尾那串似真似假的参考文献。要么查无此文，反而倾向于补全一个格式完整、唯独事实本身可能是凭空生成的 。手里拿到一份由大语言模型生成的论文初稿， 理解这个问题的起点 ，出版年份一应俱全，格式对 、它越容易礼貌地给出一个编造得滴水不漏的结果 。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 ，语法顺、 对使用者而言 ， 务实做法始终是自己动手去原始数据库里复核一遍，面对它给出的任何引用、而是根据上文逐字预测下一个词最可能是什么。多音字姓名这类低频细节，精确的卷期页码  、但把它的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 ，它不会承认“我记不清了”，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  ，训练时它读过海量文本，细节像，期刊名 、查得到的留下，用户越期待一个确凿的引用，合作者顺序、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论，作者姓名 、