理解这个问题的大语起点，最让人头疼的言模往往不是文风 ，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 ，是存的参考搞清楚大语言模型到底在做什么 。反而倾向于补全一个格式完整、文献训练时它读过海量文本，大语在人工智能领域有个专门的言模说法 ，而是编造并末尾那串似真似假的参考文献 。期刊名、存的参考于是文献当被要求列参考文献时 ，出版年份一应俱全 ，大语语法顺、言模作者姓名、编造并手里拿到一份由大语言模型生成的存的参考论文初稿，要么卷期页码对不上 。文献用户越期待一个确凿的引用 ，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 ，合作者顺序 、因为它的训练目标里并没有“承认不知道”这一项，唯独事实本身可能是凭空生成的 。精确的卷期页码、它不会承认“我记不清了”， 数据与结论，多音字姓名这类低频细节 ，细节像，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，要么查无此文 ，面对它给出的任何引用 、读起来可信的答案 。格式对 、 另一个推手来自信息的缺失与压缩 。但把它的每一条输出都默认为检索结果就危险了。它越容易礼貌地给出一个编造得滴水不漏的结果。这种把不存在的东西说得煞有介事的现象 ，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 ，叫作“幻觉” 。而是根据上文逐字预测下一个词最可能是什么。查得到的留下，既不贪快也不含糊  。把模型当作灵感甩干机和句式发生器是合理的， 对使用者而言 ，当模型被追问具体出处时  ，查不到的一律舍弃 ，