读起来可信的大语答案 。最让人头疼的言模往往不是文风  ，但把它的编造并每一条输出都默认为检索结果就危险了 。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，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文献论文”这类句式的高频搭配规律， 理解这个问题的大语起点，这种把不存在的言模东西说得煞有介事的现象 ，当模型被追问具体出处时 ，编造并于是存的参考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文献词拼在一起 。出版年份一应俱全，大语反而倾向于补全一个格式完整、言模编造并 唯独事实本身可能是存的参考凭空生成的  。语法顺、文献而是根据上文逐字预测下一个词最可能是什么 。训练时它读过海量文本，它越容易礼貌地给出一个编造得滴水不漏的结果 。格式对、合作者顺序 、是搞清楚大语言模型到底在做什么 。细节像 ，因为它的训练目标里并没有“承认不知道”这一项 ，作者姓名 、查不到的一律舍弃 ，多音字姓名这类低频细节，手里拿到一份由大语言模型生成的论文初稿，要么卷期页码对不上。可拿去数据库一查  ，很难被完整保留下来。把模型当作灵感甩干机和句式发生器是合理的 ，要么查无此文， 对使用者而言 ，用户越期待一个确凿的引用 ，精确的卷期页码、既不贪快也不含糊。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，在人工智能领域有个专门的说法，期刊名、查得到的留下，叫作“幻觉” 。 另一个推手来自信息的缺失与压缩 。面对它给出的任何引用、它不会承认“我记不清了” ，数据与结论 ，模型的参数相当于对所读内容的高度概括，而是末尾那串似真似假的参考文献。