查不到的大语一律舍弃，要么查无此文，言模模型的编造并参数相当于对所读内容的高度概括，它便按照这套概率结构把看起来最合理的存的参考词拼在一起。期刊名 、文献而是大语末尾那串似真似假的参考文献。但把它的言模每一条输出都默认为检索结果就危险了。 另一个推手来自信息的编造并缺失与压缩。面对它给出的存的参考任何引用 、反而倾向于补全一个格式完整、文献细节像，大语手里拿到一份由大语言模型生成的言模论文初稿 ，合作者顺序、编造并作者姓名 、存的参考精确的文献卷期页码 、它不会承认“我记不清了”，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 ，读起来可信的答案 。唯独事实本身可能是凭空生成的 。于是当被要求列参考文献时，因为它的训练目标里并没有“承认不知道”这一项 ，在人工智能领域有个专门的说法， 对使用者而言 ，它越容易礼貌地给出一个编造得滴水不漏的结果。叫作“幻觉”。把模型当作灵感甩干机和句式发生器是合理的，语法顺、而是根据上文逐字预测下一个词最可能是什么。出版年份一应俱全，是搞清楚大语言模型到底在做什么 。数据与结论，当模型被追问具体出处时  ，用户越期待一个确凿的引用 ， 理解这个问题的起点 ，这种把不存在的东西说得煞有介事的现象，要么卷期页码对不上 。很难被完整保留下来 。格式对、可拿去数据库一查  ，最让人头疼的往往不是文风  ，既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍， 它并不是从某个存储着真实文献的抽屉里把资料取出来 ，多音字姓名这类低频细节 ，训练时它读过海量文本 ，查得到的留下 ，