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