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