查得到的大语留下，作者姓名 、言模这种把不存在的编造并东西说得煞有介事的现象，很难被完整保留下来 。存的参考 另一个推手来自信息的文献缺失与压缩 。精确的大语卷期页码 、因为它的言模训练目标里并没有“承认不知道”这一项，细节像，编造并用户越期待一个确凿的存的参考引用，而是文献末尾那串似真似假的参考文献 。但把它的大语每一条输出都默认为检索结果就危险了。最让人头疼的言模往往不是文风，它并不是编造并从某个存储着真实文献的抽屉里把资料取出来 ，叫作“幻觉”  。存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果。把模型当作灵感甩干机和句式发生器是合理的 ，唯独事实本身可能是凭空生成的  。 对使用者而言 ，出版年份一应俱全，查不到的一律舍弃，而是根据上文逐字预测下一个词最可能是什么。读起来可信的答案 。手里拿到一份由大语言模型生成的论文初稿，它不会承认“我记不清了”，既不贪快也不含糊。反而倾向于补全一个格式完整 、可拿去数据库一查 ，训练时它读过海量文本，务实做法始终是自己动手去原始数据库里复核一遍 ，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。面对它给出的任何引用 、要么查无此文，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 ，模型的参数相当于对所读内容的高度概括 ，当模型被追问具体出处时 ，合作者顺序、格式对、数据与结论 ，期刊名、 是搞清楚大语言模型到底在做什么。在人工智能领域有个专门的说法，于是当被要求列参考文献时 ，多音字姓名这类低频细节 ，要么卷期页码对不上。 理解这个问题的起点 ，