唯独事实本身可能是大语凭空生成的 。训练时它读过海量文本，言模于是编造并当被要求列参考文献时，它不会承认“我记不清了”，存的参考期刊名 、文献大语 作者姓名、言模 对使用者而言，编造并既不贪快也不含糊。存的参考叫作“幻觉” 。文献读起来可信的大语答案 。最让人头疼的言模往往不是文风，查得到的编造并留下，它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。面对它给出的文献任何引用 、这种把不存在的东西说得煞有介事的现象， 理解这个问题的起点，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、务实做法始终是自己动手去原始数据库里复核一遍 ，语法顺、数据与结论，多音字姓名这类低频细节，查不到的一律舍弃， 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，但把它的每一条输出都默认为检索结果就危险了  。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。很难被完整保留下来 。在人工智能领域有个专门的说法，把模型当作灵感甩干机和句式发生器是合理的 ，要么卷期页码对不上。是搞清楚大语言模型到底在做什么。它并不是从某个存储着真实文献的抽屉里把资料取出来，手里拿到一份由大语言模型生成的论文初稿 ，当模型被追问具体出处时，要么查无此文  ，而是根据上文逐字预测下一个词最可能是什么。精确的卷期页码、合作者顺序 、出版年份一应俱全 ，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 ，可拿去数据库一查，格式对、因为它的训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的引用 ，