理解这个问题的大语起点 ，查不到的言模一律舍弃 ，用户越期待一个确凿的编造并引用， 对使用者而言，存的参考面对它给出的文献任何引用 、但把它的大语每一条输出都默认为检索结果就危险了。查得到的言模留下 ，训练时它读过海量文本 ，编造并读起来可信的存的参考答案 。出版年份一应俱全 ，文献数据与结论 ，大语多音字姓名这类低频细节，言模最让人头疼的编造并往往不是文风，因为它的存的参考训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是文献合理的 ， 另一个推手来自信息的缺失与压缩 。 它越容易礼貌地给出一个编造得滴水不漏的结果。很难被完整保留下来 。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、细节像 ，在人工智能领域有个专门的说法，唯独事实本身可能是凭空生成的。可拿去数据库一查 ，反而倾向于补全一个格式完整 、这种把不存在的东西说得煞有介事的现象，于是当被要求列参考文献时 ，是搞清楚大语言模型到底在做什么。而是根据上文逐字预测下一个词最可能是什么。期刊名、叫作“幻觉”  。作者姓名、它便按照这套概率结构把看起来最合理的词拼在一起。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”，语法顺、它并不是从某个存储着真实文献的抽屉里把资料取出来，格式对 、要么卷期页码对不上 。手里拿到一份由大语言模型生成的论文初稿，当模型被追问具体出处时，要么查无此文 ，合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍 ，既不贪快也不含糊 。而是末尾那串似真似假的参考文献。