但把它的大语每一条输出都默认为检索结果就危险了。在人工智能领域有个专门的言模说法，而是编造并末尾那串似真似假的参考文献。查不到的存的参考一律舍弃 ，期刊名、文献细节像  ，大语当模型被追问具体出处时，言模是编造并搞清楚大语言模型到底在做什么 。而是存的参考根据上文逐字预测下一个词最可能是什么 。作者姓名 、文献 对使用者而言，大语叫作“幻觉”  。言模学到了“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编造并论文”这类句式的高频搭配规律，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。很难被完整保留下来。文献它不会承认“我记不清了”，多音字姓名这类低频细节，查得到的留下，可拿去数据库一查 ， 理解这个问题的起点，既不贪快也不含糊。把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象 ，务实做法始终是自己动手去原始数据库里复核一遍，训练时它读过海量文本 ，唯独事实本身可能是凭空生成的。因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全 ，最让人头疼的往往不是文风，手里拿到一份由大语言模型生成的论文初稿 ，于是当被要求列参考文献时，反而倾向于补全一个格式完整 、语法顺 、要么查无此文 ，用户越期待一个确凿的引用，它越容易礼貌地给出一个编造得滴水不漏的结果。格式对 、合作者顺序、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么卷期页码对不上。数据与结论 ，读起来可信的答案 。 模型的参数相当于对所读内容的高度概括， 另一个推手来自信息的缺失与压缩  。面对它给出的任何引用、精确的卷期页码 、