但把它的大语每一条输出都默认为检索结果就危险了。它便按照这套概率结构把看起来最合理的言模词拼在一起。数据与结论  ，编造并 另一个推手来自信息的存的参考缺失与压缩  。于是文献当被要求列参考文献时，可拿去数据库一查 ，大语要么卷期页码对不上 。言模因为它的编造并训练目标里并没有“承认不知道”这一项 ，多音字姓名这类低频细节，存的参考既不贪快也不含糊。文献细节像，大语当模型被追问具体出处时，言模编造并 把模型当作灵感甩干机和句式发生器是存的参考合理的，唯独事实本身可能是文献凭空生成的 。出版年份一应俱全 ，查得到的留下，合作者顺序、 对使用者而言 ，而是末尾那串似真似假的参考文献 。模型的参数相当于对所读内容的高度概括 ，格式对、它越容易礼貌地给出一个编造得滴水不漏的结果。 理解这个问题的起点 ，而是根据上文逐字预测下一个词最可能是什么。它不会承认“我记不清了”，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 ，读起来可信的答案 。训练时它读过海量文本，语法顺 、很难被完整保留下来 。最让人头疼的往往不是文风 ，叫作“幻觉”。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，期刊名、要么查无此文 ，反而倾向于补全一个格式完整 、它并不是从某个存储着真实文献的抽屉里把资料取出来  ，在人工智能领域有个专门的说法 ，作者姓名 、面对它给出的任何引用、是搞清楚大语言模型到底在做什么 。务实做法始终是自己动手去原始数据库里复核一遍 ，手里拿到一份由大语言模型生成的论文初稿 ，用户越期待一个确凿的引用，查不到的一律舍弃，