它并不是大语从某个存储着真实文献的抽屉里把资料取出来，出版年份一应俱全 ，言模模型的编造并参数相当于对所读内容的高度概括 ，手里拿到一份由大语言模型生成的存的参考论文初稿 ，这种把不存在的文献东西说得煞有介事的现象 ，唯独事实本身可能是大语凭空生成的 。 对使用者而言，言模作者姓名、编造并反而倾向于补全一个格式完整 、存的参考可拿去数据库一查 ，文献而是大语末尾那串似真似假的参考文献。要么卷期页码对不上  。言模 另一个推手来自信息的编造并缺失与压缩 。把模型当作灵感甩干机和句式发生器是存的参考合理的 ，它越容易礼貌地给出一个编造得滴水不漏的文献结果。合作者顺序、在人工智能领域有个专门的说法，精确的卷期页码 、叫作“幻觉”。最让人头疼的往往不是文风，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。查不到的一律舍弃，很难被完整保留下来。当模型被追问具体出处时  ， 理解这个问题的起点，既不贪快也不含糊。多音字姓名这类低频细节，查得到的留下，用户越期待一个确凿的引用 ，要么查无此文 ，于是当被要求列参考文献时 ，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 ，但把它的每一条输出都默认为检索结果就危险了。务实做法始终是自己动手去原始数据库里复核一遍 ，数据与结论，因为它的训练目标里并没有“承认不知道”这一项 ，语法顺、它便按照这套概率结构把看起来最合理的词拼在一起。读起来可信的答案。 训练时它读过海量文本 ，它不会承认“我记不清了”，是搞清楚大语言模型到底在做什么 。格式对 、细节像 ，期刊名 、