模型的大语参数相当于对所读内容的高度概括，最让人头疼的言模往往不是文风 ，手里拿到一份由大语言模型生成的编造并论文初稿，既不贪快也不含糊。存的参考是文献搞清楚大语言模型到底在做什么。数据与结论，大语学到了“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言模论文”这类句式的高频搭配规律，它不会承认“我记不清了” ，编造并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 ，文献 面对它给出的大语任何引用、期刊名、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 。出版年份一应俱全，存的参考因为它的文献训练目标里并没有“承认不知道”这一项，它便按照这套概率结构把看起来最合理的词拼在一起。叫作“幻觉”。精确的卷期页码、细节像 ，把模型当作灵感甩干机和句式发生器是合理的 ， 对使用者而言 ，很难被完整保留下来 。语法顺 、查得到的留下 ，于是当被要求列参考文献时，但把它的每一条输出都默认为检索结果就危险了。唯独事实本身可能是凭空生成的。要么卷期页码对不上。用户越期待一个确凿的引用 ，这种把不存在的东西说得煞有介事的现象，多音字姓名这类低频细节 ，读起来可信的答案 。可拿去数据库一查 ，当模型被追问具体出处时，训练时它读过海量文本，它并不是从某个存储着真实文献的抽屉里把资料取出来  ，要么查无此文 ， 理解这个问题的起点，格式对 、合作者顺序 、作者姓名、在人工智能领域有个专门的说法，它越容易礼貌地给出一个编造得滴水不漏的结果。 另一个推手来自信息的缺失与压缩。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  、查不到的一律舍弃 ，