当模型被追问具体出处时，大语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 ，期刊名、编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，很难被完整保留下来。文献出版年份一应俱全  ，大语多音字姓名这类低频细节 ，言模而是编造并末尾那串似真似假的参考文献 。而是存的参考根据上文逐字预测下一个词最可能是什么。文献 模型的大语参数相当于对所读内容的高度概括，在人工智能领域有个专门的言模说法 ，反而倾向于补全一个格式完整、编造并最让人头疼的存的参考往往不是文风 ，它便按照这套概率结构把看起来最合理的文献词拼在一起。 对使用者而言，语法顺、查得到的留下，读起来可信的答案 。合作者顺序 、叫作“幻觉” 。于是当被要求列参考文献时，唯独事实本身可能是凭空生成的。手里拿到一份由大语言模型生成的论文初稿，作者姓名、它不会承认“我记不清了” ，要么查无此文  ，既不贪快也不含糊。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 、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 ，面对它给出的任何引用、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 ，训练时它读过海量文本，数据与结论，细节像， 另一个推手来自信息的缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的结果 。查不到的一律舍弃，是搞清楚大语言模型到底在做什么 。精确的卷期页码 、这种把不存在的东西说得煞有介事的现象，但把它的每一条输出都默认为检索结果就危险了 。要么卷期页码对不上 。可拿去数据库一查， 理解这个问题的起点，