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