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