多音字姓名这类低频细节，大语 另一个推手来自信息的言模缺失与压缩 。于是编造并当被要求列参考文献时，而是存的参考末尾那串似真似假的参考文献。格式对  、文献查不到的大语一律舍弃 ， 对使用者而言，言模面对它给出的编造并任何引用、很难被完整保留下来 。存的参考细节像，文献精确的大语卷期页码、而是言模根据上文逐字预测下一个词最可能是什么。出版年份一应俱全 ，编造并作者姓名  、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，最让人头疼的往往不是文风 ，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 ，用户越期待一个确凿的引用  ，可拿去数据库一查，合作者顺序、把模型当作灵感甩干机和句式发生器是合理的 ，因为它的训练目标里并没有“承认不知道”这一项， 叫作“幻觉”。数据与结论，当模型被追问具体出处时 ，反而倾向于补全一个格式完整、训练时它读过海量文本，读起来可信的答案。在人工智能领域有个专门的说法，它并不是从某个存储着真实文献的抽屉里把资料取出来，要么卷期页码对不上 。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 ， 理解这个问题的起点，唯独事实本身可能是凭空生成的  。查得到的留下，模型的参数相当于对所读内容的高度概括 ，它不会承认“我记不清了”，这种把不存在的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结果  。但把它的每一条输出都默认为检索结果就危险了。既不贪快也不含糊。期刊名、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 。要么查无此文 ，