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