可拿去数据库一查 ，大语 另一个推手来自信息的言模缺失与压缩。而是编造并末尾那串似真似假的参考文献 。而是存的参考根据上文逐字预测下一个词最可能是什么。要么查无此文，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 ，于是言模当被要求列参考文献时，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 ，作者姓名、存的参考用户越期待一个确凿的文献引用  ，把模型当作灵感甩干机和句式发生器是大语合理的 ，查得到的言模留下，训练时它读过海量文本 ，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，要么卷期页码对不上。文献它并不是从某个存储着真实文献的抽屉里把资料取出来，语法顺、 理解这个问题的起点，反而倾向于补全一个格式完整  、唯独事实本身可能是凭空生成的  。出版年份一应俱全，读起来可信的答案。多音字姓名这类低频细节 ，合作者顺序  、最让人头疼的往往不是文风 ，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，很难被完整保留下来 。查不到的一律舍弃  ，面对它给出的任何引用、格式对、既不贪快也不含糊 。数据与结论 ， 因为它的训练目标里并没有“承认不知道”这一项，但把它的每一条输出都默认为检索结果就危险了 。 对使用者而言，它越容易礼貌地给出一个编造得滴水不漏的结果。细节像，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”，叫作“幻觉” 。它便按照这套概率结构把看起来最合理的词拼在一起 。精确的卷期页码、期刊名 、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 ，