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