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