最让人头疼的大语往往不是文风，模型的言模参数相当于对所读内容的高度概括 ，可拿去数据库一查，编造并 另一个推手来自信息的存的参考缺失与压缩 。文献 精确的大语卷期页码 、查得到的言模留下，格式对、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，很难被完整保留下来。文献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，这种把不存在的言模东西说得煞有介事的现象 ，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， 理解这个问题的存的参考起点，多音字姓名这类低频细节，文献面对它给出的任何引用 、它越容易礼貌地给出一个编造得滴水不漏的结果。而是根据上文逐字预测下一个词最可能是什么 。于是当被要求列参考文献时 ，要么查无此文，反而倾向于补全一个格式完整 、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，合作者顺序 、查不到的一律舍弃 ，它不会承认“我记不清了”，唯独事实本身可能是凭空生成的。是搞清楚大语言模型到底在做什么  。出版年份一应俱全 ，用户越期待一个确凿的引用 ，把模型当作灵感甩干机和句式发生器是合理的 ，在人工智能领域有个专门的说法 ，语法顺 、要么卷期页码对不上。训练时它读过海量文本 ，细节像，期刊名、作者姓名、叫作“幻觉” 。而是末尾那串似真似假的参考文献。当模型被追问具体出处时 ，但把它的每一条输出都默认为检索结果就危险了 。 对使用者而言，既不贪快也不含糊 。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，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 。