这种把不存在的大语东西说得煞有介事的现象，务实做法始终是言模自己动手去原始数据库里复核一遍，期刊名、编造并数据与结论，存的参考可拿去数据库一查，文献细节像，大语唯独事实本身可能是言模凭空生成的。用户越期待一个确凿的编造并引用  ，存的参考 精确的文献卷期页码、出版年份一应俱全，大语作者姓名、言模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 ，反而倾向于补全一个格式完整、存的参考当模型被追问具体出处时 ，文献把模型当作灵感甩干机和句式发生器是合理的，它便按照这套概率结构把看起来最合理的词拼在一起 。是搞清楚大语言模型到底在做什么。而是根据上文逐字预测下一个词最可能是什么。查不到的一律舍弃，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 ，训练时它读过海量文本  ， 理解这个问题的起点，在人工智能领域有个专门的说法，很难被完整保留下来 。既不贪快也不含糊 。它越容易礼貌地给出一个编造得滴水不漏的结果 。要么卷期页码对不上 。 对使用者而言 ，叫作“幻觉” 。手里拿到一份由大语言模型生成的论文初稿 ，语法顺 、查得到的留下，面对它给出的任何引用 、格式对、最让人头疼的往往不是文风 ， 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 。模型的参数相当于对所读内容的高度概括，要么查无此文 ，于是当被要求列参考文献时 ，合作者顺序、读起来可信的答案。因为它的训练目标里并没有“承认不知道”这一项，而是末尾那串似真似假的参考文献。多音字姓名这类低频细节，它不会承认“我记不清了” ，