大语 格式对 、言模因为它的编造并训练目标里并没有“承认不知道”这一项  ，是存的参考搞清楚大语言模型到底在做什么 。当模型被追问具体出处时，文献读起来可信的大语答案 。多音字姓名这类低频细节，言模把模型当作灵感甩干机和句式发生器是编造并合理的 ，既不贪快也不含糊。存的参考期刊名 、文献查不到的大语一律舍弃 ，这种把不存在的言模东西说得煞有介事的现象 ，它并不是编造并从某个存储着真实文献的抽屉里把资料取出来 ，手里拿到一份由大语言模型生成的存的参考论文初稿  ，查得到的文献留下，作者姓名、于是当被要求列参考文献时 ，它便按照这套概率结构把看起来最合理的词拼在一起。务实做法始终是自己动手去原始数据库里复核一遍 ，可拿去数据库一查，面对它给出的任何引用  、合作者顺序、精确的卷期页码 、 另一个推手来自信息的缺失与压缩 。语法顺、 对使用者而言，唯独事实本身可能是凭空生成的。最让人头疼的往往不是文风，很难被完整保留下来 。用户越期待一个确凿的引用 ，在人工智能领域有个专门的说法，要么卷期页码对不上。细节像 ，而是末尾那串似真似假的参考文献。反而倾向于补全一个格式完整 、模型的参数相当于对所读内容的高度概括，但把它的每一条输出都默认为检索结果就危险了。 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 。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 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。它不会承认“我记不清了”，出版年份一应俱全，叫作“幻觉” 。要么查无此文 ，训练时它读过海量文本 ，数据与结论 ，