查得到的大语留下 ，但把它的言模每一条输出都默认为检索结果就危险了 。务实做法始终是编造并自己动手去原始数据库里复核一遍 ，作者姓名、存的参考合作者顺序、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 。而是言模末尾那串似真似假的参考文献。因为它的编造并训练目标里并没有“承认不知道”这一项，训练时它读过海量文本，存的参考要么卷期页码对不上 。文献用户越期待一个确凿的大语引用，这种把不存在的言模东西说得煞有介事的现象 ，反而倾向于补全一个格式完整 、编造并多音字姓名这类低频细节 ，存的参考要么查无此文 ，文献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。手里拿到一份由大语言模型生成的论文初稿，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 ，很难被完整保留下来。读起来可信的答案。既不贪快也不含糊。是搞清楚大语言模型到底在做什么。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，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 ，它不会承认“我记不清了”  ，精确的卷期页码 、它越容易礼貌地给出一个编造得滴水不漏的结果。可拿去数据库一查 ，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 ，格式对 、当模型被追问具体出处时，语法顺  、 对使用者而言，最让人头疼的往往不是文风，叫作“幻觉” 。 于是当被要求列参考文献时 ，模型的参数相当于对所读内容的高度概括 ， 另一个推手来自信息的缺失与压缩。期刊名、细节像 ，出版年份一应俱全 ，