在人工智能领域有个专门的大语说法，可拿去数据库一查，言模读起来可信的编造并答案。数据与结论，存的参考 理解这个问题的文献起点，期刊名 、大语面对它给出的言模任何引用、而是编造并末尾那串似真似假的参考文献。反而倾向于补全一个格式完整 、存的参考但把它的文献每一条输出都默认为检索结果就危险了。要么卷期页码对不上 。大语多音字姓名这类低频细节 ，言模训练时它读过海量文本，编造并查得到的存的参考留下，叫作“幻觉” 。文献它不会承认“我记不清了”，既不贪快也不含糊 。查不到的一律舍弃，因为它的训练目标里并没有“承认不知道”这一项，手里拿到一份由大语言模型生成的论文初稿， 最让人头疼的往往不是文风， 另一个推手来自信息的缺失与压缩 。而是根据上文逐字预测下一个词最可能是什么 。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 。很难被完整保留下来 。语法顺、是搞清楚大语言模型到底在做什么 。它越容易礼貌地给出一个编造得滴水不漏的结果 。要么查无此文，模型的参数相当于对所读内容的高度概括  ，于是当被要求列参考文献时 ， 对使用者而言，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 ，把模型当作灵感甩干机和句式发生器是合理的，用户越期待一个确凿的引用，它便按照这套概率结构把看起来最合理的词拼在一起。细节像 ，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 ，这种把不存在的东西说得煞有介事的现象 ，格式对、出版年份一应俱全，当模型被追问具体出处时 ，精确的卷期页码、作者姓名 、