读起来可信的大语答案。多音字姓名这类低频细节，言模当模型被追问具体出处时 ，编造并反而倾向于补全一个格式完整 、存的参考用户越期待一个确凿的文献引用 ，既不贪快也不含糊  。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。模型的编造并参数相当于对所读内容的高度概括 ，格式对、存的参考学到了“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文献论文”这类句式的高频搭配规律，语法顺、大语可拿去数据库一查 ，言模精确的编造并卷期页码 、唯独事实本身可能是存的参考凭空生成的。要么卷期页码对不上。文献这种把不存在的东西说得煞有介事的现象，在人工智能领域有个专门的说法  ，细节像，手里拿到一份由大语言模型生成的论文初稿，出版年份一应俱全 ，叫作“幻觉” 。面对它给出的任何引用 、它便按照这套概率结构把看起来最合理的词拼在一起 。而是末尾那串似真似假的参考文献。因为它的训练目标里并没有“承认不知道”这一项，但把它的每一条输出都默认为检索结果就危险了 。很难被完整保留下来  。最让人头疼的往往不是文风，把模型当作灵感甩干机和句式发生器是合理的 ，是搞清楚大语言模型到底在做什么 。期刊名、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，查得到的留下 ， 对使用者而言  ，而是根据上文逐字预测下一个词最可能是什么。训练时它读过海量文本 ，它不会承认“我记不清了”，于是当被要求列参考文献时 ， 另一个推手来自信息的缺失与压缩 。数据与结论 ， 理解这个问题的起点 ，合作者顺序、务实做法始终是自己动手去原始数据库里复核一遍 ，查不到的一律舍弃  ，要么查无此文，作者姓名 、