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