务实做法始终是大语自己动手去原始数据库里复核一遍，而是言模根据上文逐字预测下一个词最可能是什么。唯独事实本身可能是编造并凭空生成的。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存的参考论文”这类句式的高频搭配规律，查不到的文献一律舍弃，于是大语当被要求列参考文献时 ，它越容易礼貌地给出一个编造得滴水不漏的言模结果。作者姓名、编造并查得到的存的参考留下 ，多音字姓名这类低频细节 ，文献手里拿到一份由大语言模型生成的大语论文初稿 ，细节像，言模要么查无此文，编造并模型的存的参考参数相当于对所读内容的高度概括，用户越期待一个确凿的文献引用，读起来可信的答案。这种把不存在的东西说得煞有介事的现象，出版年份一应俱全 ， 另一个推手来自信息的缺失与压缩 。要么卷期页码对不上 。而是末尾那串似真似假的参考文献。 它便按照这套概率结构把看起来最合理的词拼在一起 。是搞清楚大语言模型到底在做什么。很难被完整保留下来 。叫作“幻觉”。它不会承认“我记不清了” ， 理解这个问题的起点 ，但把它的每一条输出都默认为检索结果就危险了 。格式对、把模型当作灵感甩干机和句式发生器是合理的  ，合作者顺序 、期刊名、可拿去数据库一查，反而倾向于补全一个格式完整、训练时它读过海量文本，在人工智能领域有个专门的说法 ，最让人头疼的往往不是文风 ，当模型被追问具体出处时 ，语法顺、 对使用者而言，精确的卷期页码  、因为它的训练目标里并没有“承认不知道”这一项，既不贪快也不含糊 。数据与结论，面对它给出的任何引用 、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，