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