务实做法始终是大语自己动手去原始数据库里复核一遍 ，期刊名 、言模当模型被追问具体出处时，编造并这种把不存在的存的参考东西说得煞有介事的现象 ，查不到的文献一律舍弃 ，但把它的大语每一条输出都默认为检索结果就危险了。 对使用者而言 ，言模很难被完整保留下来。编造并于是存的参考当被要求列参考文献时 ，作者姓名、文献反而倾向于补全一个格式完整 、大语出版年份一应俱全，言模格式对、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， 理解这个问题的文献起点 ，合作者顺序、在人工智能领域有个专门的说法 ，它不会承认“我记不清了”，它越容易礼貌地给出一个编造得滴水不漏的结果。训练时它读过海量文本 ，可拿去数据库一查，多音字姓名这类低频细节 ，用户越期待一个确凿的引用  ，把模型当作灵感甩干机和句式发生器是合理的，叫作“幻觉” 。它便按照这套概率结构把看起来最合理的词拼在一起。数据与结论 ，唯独事实本身可能是凭空生成的。而是末尾那串似真似假的参考文献 。细节像 ，既不贪快也不含糊。手里拿到一份由大语言模型生成的论文初稿，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案。语法顺 、是搞清楚大语言模型到底在做什么。要么查无此文 ， 另一个推手来自信息的缺失与压缩。最让人头疼的往往不是文风 ，面对它给出的任何引用  、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，模型的参数相当于对所读内容的高度概括 ， 精确的卷期页码、而是根据上文逐字预测下一个词最可能是什么。要么卷期页码对不上 。查得到的留下，