细节像，大语要么查无此文，言模因为它的编造并训练目标里并没有“承认不知道”这一项 ，唯独事实本身可能是存的参考凭空生成的。最让人头疼的文献往往不是文风，手里拿到一份由大语言模型生成的大语论文初稿，数据与结论 ，言模而是编造并根据上文逐字预测下一个词最可能是什么。 理解这个问题的存的参考起点 ，是文献搞清楚大语言模型到底在做什么。反而倾向于补全一个格式完整、大语精确的言模卷期页码  、于是编造并当被要求列参考文献时 ，很难被完整保留下来 。存的参考它不会承认“我记不清了”，文献而是末尾那串似真似假的参考文献。叫作“幻觉”。既不贪快也不含糊。这种把不存在的东西说得煞有介事的现象，多音字姓名这类低频细节  ，务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法 ，当模型被追问具体出处时 ，要么卷期页码对不上。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。期刊名 、它越容易礼貌地给出一个编造得滴水不漏的结果。模型的参数相当于对所读内容的高度概括，把模型当作灵感甩干机和句式发生器是合理的，格式对、可拿去数据库一查，训练时它读过海量文本 ，出版年份一应俱全， 查不到的一律舍弃 ， 对使用者而言，但把它的每一条输出都默认为检索结果就危险了 。读起来可信的答案 。 另一个推手来自信息的缺失与压缩。面对它给出的任何引用 、语法顺 、合作者顺序 、作者姓名、查得到的留下，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，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，