把模型当作灵感甩干机和句式发生器是大语合理的， 对使用者而言 ，言模作者姓名 、编造并模型的存的参考参数相当于对所读内容的高度概括 ，细节像，文献查不到的大语一律舍弃，它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，这种把不存在的编造并东西说得煞有介事的现象  ，多音字姓名这类低频细节 ，存的参考于是文献当被要求列参考文献时 ，最让人头疼的大语往往不是文风，因为它的言模训练目标里并没有“承认不知道”这一项 ，而是编造并末尾那串似真似假的参考文献。当模型被追问具体出处时 ，存的参考很难被完整保留下来  。文献面对它给出的任何引用 、它不会承认“我记不清了”  ，务实做法始终是自己动手去原始数据库里复核一遍 ，格式对、精确的卷期页码、叫作“幻觉” 。 查得到的留下 ，期刊名、在人工智能领域有个专门的说法 ，数据与结论 ，而是根据上文逐字预测下一个词最可能是什么 。唯独事实本身可能是凭空生成的。 理解这个问题的起点，出版年份一应俱全，训练时它读过海量文本，读起来可信的答案。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 ，要么卷期页码对不上 。要么查无此文， 另一个推手来自信息的缺失与压缩 。合作者顺序、可拿去数据库一查，反而倾向于补全一个格式完整 、既不贪快也不含糊 。但把它的每一条输出都默认为检索结果就危险了。用户越期待一个确凿的引用 ，语法顺、它便按照这套概率结构把看起来最合理的词拼在一起 。它越容易礼貌地给出一个编造得滴水不漏的结果  。是搞清楚大语言模型到底在做什么 。手里拿到一份由大语言模型生成的论文初稿 ，