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