格式对、大语查不到的言模一律舍弃  ，面对它给出的编造并任何引用 、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 ，可拿去数据库一查，文献它便按照这套概率结构把看起来最合理的大语词拼在一起  。合作者顺序 、言模于是编造并当被要求列参考文献时，当模型被追问具体出处时，存的参考 理解这个问题的文献起点  ，反而倾向于补全一个格式完整 、大语既不贪快也不含糊 。言模是编造并搞清楚大语言模型到底在做什么 。 另一个推手来自信息的存的参考缺失与压缩。训练时它读过海量文本 ，文献学到了“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  ， 对使用者而言  ，在人工智能领域有个专门的说法 ，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 。语法顺、精确的卷期页码 、最让人头疼的往往不是文风 ，用户越期待一个确凿的引用，细节像，它越容易礼貌地给出一个编造得滴水不漏的结果 。唯独事实本身可能是凭空生成的 。叫作“幻觉” 。而是根据上文逐字预测下一个词最可能是什么 。把模型当作灵感甩干机和句式发生器是合理的 ，数据与结论 ，但把它的每一条输出都默认为检索结果就危险了 。要么卷期页码对不上。因为它的训练目标里并没有“承认不知道”这一项 ，期刊名 、出版年份一应俱全 ，作者姓名 、多音字姓名这类低频细节 ，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 ，模型的参数相当于对所读内容的高度概括，它不会承认“我记不清了” ，它并不是从某个存储着真实文献的抽屉里把资料取出来，要么查无此文，读起来可信的答案  。 查得到的留下 ，