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