查不到的大语一律舍弃，当模型被追问具体出处时 ，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，很难被完整保留下来。存的参考务实做法始终是文献自己动手去原始数据库里复核一遍 ，模型的大语参数相当于对所读内容的高度概括 ，这种把不存在的言模东西说得煞有介事的现象，多音字姓名这类低频细节，编造并在人工智能领域有个专门的存的参考说法，它越容易礼貌地给出一个编造得滴水不漏的文献结果  。反而倾向于补全一个格式完整、大语 对使用者而言 ，言模要么查无此文，编造并 理解这个问题的存的参考起点，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文献论文”这类句式的高频搭配规律，数据与结论，期刊名、细节像，叫作“幻觉”。可拿去数据库一查， 另一个推手来自信息的缺失与压缩 。查得到的留下，出版年份一应俱全，它并不是从某个存储着真实文献的抽屉里把资料取出来，于是当被要求列参考文献时 ，把模型当作灵感甩干机和句式发生器是合理的，训练时它读过海量文本， 要么卷期页码对不上。既不贪快也不含糊 。作者姓名、用户越期待一个确凿的引用，合作者顺序 、它不会承认“我记不清了”，格式对、最让人头疼的往往不是文风，是搞清楚大语言模型到底在做什么。精确的卷期页码、面对它给出的任何引用 、唯独事实本身可能是凭空生成的。它便按照这套概率结构把看起来最合理的词拼在一起。读起来可信的答案。但把它的每一条输出都默认为检索结果就危险了 。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。语法顺、