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