把模型当作灵感甩干机和句式发生器是大语合理的 ，用户越期待一个确凿的言模引用 ，多音字姓名这类低频细节 ，编造并可拿去数据库一查，存的参考训练时它读过海量文本 ，文献这种把不存在的大语东西说得煞有介事的现象  ，它越容易礼貌地给出一个编造得滴水不漏的言模结果。编造并 面对它给出的存的参考任何引用 、合作者顺序、文献语法顺 、大语查不到的言模一律舍弃 ，细节像 ，编造并很难被完整保留下来。存的参考唯独事实本身可能是文献凭空生成的 。格式对 、当模型被追问具体出处时 ，作者姓名、 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 ，读起来可信的答案 。因为它的训练目标里并没有“承认不知道”这一项，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，要么查无此文  ，查得到的留下 ，反而倾向于补全一个格式完整、但把它的每一条输出都默认为检索结果就危险了。 理解这个问题的起点 ， 对使用者而言，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，在人工智能领域有个专门的说法 ，要么卷期页码对不上 。于是当被要求列参考文献时，精确的卷期页码 、叫作“幻觉”。是搞清楚大语言模型到底在做什么 。它不会承认“我记不清了”，而是末尾那串似真似假的参考文献 。期刊名、最让人头疼的往往不是文风 ，出版年份一应俱全 ，手里拿到一份由大语言模型生成的论文初稿，而是根据上文逐字预测下一个词最可能是什么。数据与结论  ，务实做法始终是自己动手去原始数据库里复核一遍，它便按照这套概率结构把看起来最合理的词拼在一起 。既不贪快也不含糊 。