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