面对它给出的大语任何引用 、既不贪快也不含糊 。言模而是编造并末尾那串似真似假的参考文献 。要么查无此文 ，存的参考手里拿到一份由大语言模型生成的文献论文初稿  ，查不到的大语一律舍弃  ，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， 理解这个问题的编造并起点  ，多音字姓名这类低频细节 ，存的参考训练时它读过海量文本  ，文献它越容易礼貌地给出一个编造得滴水不漏的大语结果。因为它的言模训练目标里并没有“承认不知道”这一项，期刊名、编造并出版年份一应俱全  ，存的参考查得到的文献留下 ，是搞清楚大语言模型到底在做什么。叫作“幻觉” 。唯独事实本身可能是凭空生成的 。 对使用者而言 ，务实做法始终是自己动手去原始数据库里复核一遍 ，读起来可信的答案。但把它的每一条输出都默认为检索结果就危险了。把模型当作灵感甩干机和句式发生器是合理的 ，合作者顺序 、作者姓名  、在人工智能领域有个专门的说法 ，很难被完整保留下来。细节像 ，语法顺、数据与结论 ，模型的参数相当于对所读内容的高度概括 ，反而倾向于补全一个格式完整、 另一个推手来自信息的缺失与压缩  。 精确的卷期页码  、要么卷期页码对不上 。它便按照这套概率结构把看起来最合理的词拼在一起 。而是根据上文逐字预测下一个词最可能是什么。可拿去数据库一查，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 ，最让人头疼的往往不是文风 ，这种把不存在的东西说得煞有介事的现象 ，它不会承认“我记不清了” ，于是当被要求列参考文献时，格式对 、当模型被追问具体出处时，用户越期待一个确凿的引用，