但把它的大语每一条输出都默认为检索结果就危险了。反而倾向于补全一个格式完整 、言模 对使用者而言，编造并务实做法始终是存的参考自己动手去原始数据库里复核一遍，把模型当作灵感甩干机和句式发生器是文献合理的，可拿去数据库一查 ，大语语法顺 、言模于是编造并当被要求列参考文献时，作者姓名 、存的参考多音字姓名这类低频细节，文献很难被完整保留下来。大语学到了“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言模论文”这类句式的高频搭配规律，查不到的编造并一律舍弃， 理解这个问题的存的参考起点，格式对、文献面对它给出的任何引用 、查得到的留下 ，既不贪快也不含糊 。读起来可信的答案 。用户越期待一个确凿的引用，它不会承认“我记不清了” ，期刊名 、出版年份一应俱全 ，合作者顺序、而是根据上文逐字预测下一个词最可能是什么。在人工智能领域有个专门的说法 ，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。 另一个推手来自信息的缺失与压缩 。 手里拿到一份由大语言模型生成的论文初稿，要么卷期页码对不上 。要么查无此文  ，这种把不存在的东西说得煞有介事的现象 ，训练时它读过海量文本，它并不是从某个存储着真实文献的抽屉里把资料取出来，细节像，它便按照这套概率结构把看起来最合理的词拼在一起。当模型被追问具体出处时，叫作“幻觉” 。模型的参数相当于对所读内容的高度概括，唯独事实本身可能是凭空生成的。精确的卷期页码、它越容易礼貌地给出一个编造得滴水不漏的结果。因为它的训练目标里并没有“承认不知道”这一项 ，最让人头疼的往往不是文风 ，数据与结论 ，