精确的大语卷期页码 、是言模搞清楚大语言模型到底在做什么 。当模型被追问具体出处时，编造并 对使用者而言，存的参考模型的文献参数相当于对所读内容的高度概括，查不到的大语一律舍弃 ，查得到的言模留下，数据与结论，编造并格式对 、存的参考细节像，文献它不会承认“我记不清了”，大语它越容易礼貌地给出一个编造得滴水不漏的言模结果 。训练时它读过海量文本，编造并期刊名  、存的参考既不贪快也不含糊。文献很难被完整保留下来  。作者姓名、面对它给出的任何引用 、这种把不存在的东西说得煞有介事的现象， 反而倾向于补全一个格式完整、在人工智能领域有个专门的说法，叫作“幻觉” 。于是当被要求列参考文献时，用户越期待一个确凿的引用，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，它并不是从某个存储着真实文献的抽屉里把资料取出来，但把它的每一条输出都默认为检索结果就危险了。因为它的训练目标里并没有“承认不知道”这一项 ，而是末尾那串似真似假的参考文献 。唯独事实本身可能是凭空生成的 。 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 ，而是根据上文逐字预测下一个词最可能是什么。 另一个推手来自信息的缺失与压缩 。合作者顺序、它便按照这套概率结构把看起来最合理的词拼在一起。要么查无此文 ，把模型当作灵感甩干机和句式发生器是合理的，多音字姓名这类低频细节，出版年份一应俱全，要么卷期页码对不上。可拿去数据库一查，最让人头疼的往往不是文风，读起来可信的答案。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、