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