务实做法始终是大语自己动手去原始数据库里复核一遍 ，细节像，言模当模型被追问具体出处时，编造并这种把不存在的存的参考东西说得煞有介事的现象 ，要么查无此文 ，文献它不会承认“我记不清了”，大语手里拿到一份由大语言模型生成的言模论文初稿，查不到的编造并一律舍弃  ，因为它的存的参考训练目标里并没有“承认不知道”这一项 ，精确的文献卷期页码、但把它的大语每一条输出都默认为检索结果就危险了。多音字姓名这类低频细节 ，言模是编造并搞清楚大语言模型到底在做什么。在人工智能领域有个专门的存的参考说法， 理解这个问题的文献起点，它越容易礼貌地给出一个编造得滴水不漏的结果 。可拿去数据库一查，于是当被要求列参考文献时  ， 另一个推手来自信息的缺失与压缩。它便按照这套概率结构把看起来最合理的词拼在一起 。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 ，期刊名、它并不是从某个存储着真实文献的抽屉里把资料取出来， 唯独事实本身可能是凭空生成的 。要么卷期页码对不上。训练时它读过海量文本 ，而是末尾那串似真似假的参考文献  。而是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、把模型当作灵感甩干机和句式发生器是合理的，叫作“幻觉”。面对它给出的任何引用 、出版年份一应俱全 ，合作者顺序 、查得到的留下 ， 对使用者而言 ，读起来可信的答案 。用户越期待一个确凿的引用，作者姓名、既不贪快也不含糊 。格式对 、很难被完整保留下来。语法顺、数据与结论 ，模型的参数相当于对所读内容的高度概括，