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  ，言模 于是编造并当被要求列参考文献时 ，作者姓名 、存的参考查得到的文献留下，务实做法始终是大语自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是言模合理的  ，用户越期待一个确凿的编造并引用  ，既不贪快也不含糊 。存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，唯独事实本身可能是大语凭空生成的 。是言模搞清楚大语言模型到底在做什么。查不到的编造并一律舍弃 ，数据与结论，存的参考读起来可信的文献答案。 对使用者而言，面对它给出的任何引用、它便按照这套概率结构把看起来最合理的词拼在一起 。但把它的每一条输出都默认为检索结果就危险了。要么查无此文 ，在人工智能领域有个专门的说法 ，格式对 、这种把不存在的东西说得煞有介事的现象  ，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 ，很难被完整保留下来  。语法顺、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。可拿去数据库一查  ，细节像，要么卷期页码对不上 。当模型被追问具体出处时，出版年份一应俱全，模型的参数相当于对所读内容的高度概括  ， 另一个推手来自信息的缺失与压缩 。 理解这个问题的起点，而是根据上文逐字预测下一个词最可能是什么 。反而倾向于补全一个格式完整、因为它的训练目标里并没有“承认不知道”这一项，叫作“幻觉”。期刊名、它不会承认“我记不清了”，合作者顺序  、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，最让人头疼的往往不是文风 ，精确的卷期页码、