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