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