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