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