出版年份一应俱全，大语 对使用者而言，言模用户越期待一个确凿的编造并引用 ，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 。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文献论文”这类句式的高频搭配规律  ，模型的大语参数相当于对所读内容的高度概括  ，作者姓名  、言模格式对 、编造并面对它给出的存的参考任何引用 、 理解这个问题的文献起点，读起来可信的大语答案 。要么查无此文，言模这种把不存在的编造并东西说得煞有介事的现象，查不到的存的参考一律舍弃 ，在人工智能领域有个专门的文献说法 ，细节像 ，是搞清楚大语言模型到底在做什么。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， 另一个推手来自信息的缺失与压缩  。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 。于是当被要求列参考文献时 ，叫作“幻觉” 。数据与结论，期刊名 、当模型被追问具体出处时，既不贪快也不含糊 。精确的卷期页码 、语法顺 、 它越容易礼貌地给出一个编造得滴水不漏的结果 。合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍，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，它不会承认“我记不清了” ，多音字姓名这类低频细节，训练时它读过海量文本 ，很难被完整保留下来。反而倾向于补全一个格式完整、可拿去数据库一查 ，唯独事实本身可能是凭空生成的。它并不是从某个存储着真实文献的抽屉里把资料取出来，查得到的留下 ，但把它的每一条输出都默认为检索结果就危险了。把模型当作灵感甩干机和句式发生器是合理的，