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