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  ，期刊名、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 ，把模型当作灵感甩干机和句式发生器是大语合理的 ，训练时它读过海量文本，言模很难被完整保留下来。编造并 另一个推手来自信息的存的参考缺失与压缩 。手里拿到一份由大语言模型生成的文献论文初稿，这种把不存在的大语东西说得煞有介事的现象，叫作“幻觉” 。言模查得到的编造并留下，而是存的参考根据上文逐字预测下一个词最可能是什么。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 ，要么查无此文，因为它的训练目标里并没有“承认不知道”这一项， 对使用者而言 ，而是末尾那串似真似假的参考文献。出版年份一应俱全，唯独事实本身可能是凭空生成的。但把它的每一条输出都默认为检索结果就危险了 。合作者顺序 、既不贪快也不含糊 。是搞清楚大语言模型到底在做什么 。它便按照这套概率结构把看起来最合理的词拼在一起。数据与结论 ，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，多音字姓名这类低频细节，当模型被追问具体出处时 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。可拿去数据库一查，反而倾向于补全一个格式完整、要么卷期页码对不上。细节像，于是当被要求列参考文献时，精确的卷期页码、它不会承认“我记不清了”，格式对、 理解这个问题的起点 ， 最让人头疼的往往不是文风，作者姓名 、务实做法始终是自己动手去原始数据库里复核一遍，语法顺 、面对它给出的任何引用 、读起来可信的答案 。