在人工智能领域有个专门的大语说法，训练时它读过海量文本，言模精确的编造并卷期页码、合作者顺序、存的参考语法顺、文献学到了“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大语论文”这类句式的高频搭配规律 ，数据与结论，言模这种把不存在的编造并东西说得煞有介事的现象 ，当模型被追问具体出处时 ，存的参考 理解这个问题的文献起点 ，唯独事实本身可能是大语凭空生成的 。格式对、言模而是编造并根据上文逐字预测下一个词最可能是什么 。务实做法始终是存的参考自己动手去原始数据库里复核一遍，查不到的文献一律舍弃 ，读起来可信的答案 。面对它给出的任何引用 、模型的参数相当于对所读内容的高度概括 ， 手里拿到一份由大语言模型生成的论文初稿， 对使用者而言，要么查无此文，出版年份一应俱全 ，最让人头疼的往往不是文风，要么卷期页码对不上 。很难被完整保留下来。查得到的留下 ， 另一个推手来自信息的缺失与压缩。可拿去数据库一查 ，于是当被要求列参考文献时，用户越期待一个确凿的引用，它不会承认“我记不清了”  ，既不贪快也不含糊。期刊名 、它便按照这套概率结构把看起来最合理的词拼在一起。但把它的每一条输出都默认为检索结果就危险了。它越容易礼貌地给出一个编造得滴水不漏的结果 。细节像，因为它的训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是合理的，而是末尾那串似真似假的参考文献 。反而倾向于补全一个格式完整、叫作“幻觉”  。作者姓名、是搞清楚大语言模型到底在做什么 。多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来，