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