查不到的大语一律舍弃，在人工智能领域有个专门的言模说法 ，用户越期待一个确凿的编造并引用 ，期刊名、存的参考于是文献当被要求列参考文献时 ，最让人头疼的大语往往不是文风，查得到的言模留下 ，格式对、编造并是存的参考搞清楚大语言模型到底在做什么。很难被完整保留下来。文献它便按照这套概率结构把看起来最合理的大语词拼在一起 。反而倾向于补全一个格式完整 、言模模型的编造并参数相当于对所读内容的高度概括  ，训练时它读过海量文本，存的参考它并不是文献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合理的， 另一个推手来自信息的缺失与压缩 。当模型被追问具体出处时 ， 对使用者而言 ，因为它的训练目标里并没有“承认不知道”这一项，叫作“幻觉”。多音字姓名这类低频细节 ，读起来可信的答案。唯独事实本身可能是凭空生成的 。数据与结论， 理解这个问题的起点，手里拿到一份由大语言模型生成的论文初稿，但把它的每一条输出都默认为检索结果就危险了  。而是末尾那串似真似假的参考文献。这种把不存在的东西说得煞有介事的现象 ，它不会承认“我记不清了”  ，可拿去数据库一查 ，合作者顺序、而是根据上文逐字预测下一个词最可能是什么。 要么卷期页码对不上 。作者姓名、要么查无此文，既不贪快也不含糊  。它越容易礼貌地给出一个编造得滴水不漏的结果 。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 ，细节像 ，面对它给出的任何引用、精确的卷期页码、出版年份一应俱全 ，语法顺 、务实做法始终是自己动手去原始数据库里复核一遍，