训练时它读过海量文本 ，大语查不到的言模一律舍弃，叫作“幻觉” 。编造并多音字姓名这类低频细节 ，存的参考 理解这个问题的文献起点，既不贪快也不含糊 。大语这种把不存在的言模东西说得煞有介事的现象，模型的编造并参数相当于对所读内容的高度概括，而是存的参考末尾那串似真似假的参考文献 。很难被完整保留下来 。文献唯独事实本身可能是大语凭空生成的 。它越容易礼貌地给出一个编造得滴水不漏的言模结果。最让人头疼的编造并往往不是文风，读起来可信的存的参考答案。务实做法始终是文献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 。它便按照这套概率结构把看起来最合理的词拼在一起 。是搞清楚大语言模型到底在做什么。 对使用者而言，把模型当作灵感甩干机和句式发生器是合理的  ，手里拿到一份由大语言模型生成的论文初稿 ，可拿去数据库一查 ，在人工智能领域有个专门的说法 ，细节像，合作者顺序、要么查无此文 ，反而倾向于补全一个格式完整、语法顺 、但把它的每一条输出都默认为检索结果就危险了。而是根据上文逐字预测下一个词最可能是什么 。当模型被追问具体出处时，面对它给出的任何引用 、于是当被要求列参考文献时，作者姓名 、它不会承认“我记不清了” ，因为它的训练目标里并没有“承认不知道”这一项 ，数据与结论 ，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 ，精确的卷期页码、出版年份一应俱全 ，查得到的留下 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么卷期页码对不上 。 期刊名、格式对  、用户越期待一个确凿的引用，