格式对 、大语它并不是言模从某个存储着真实文献的抽屉里把资料取出来， 对使用者而言 ，编造并是存的参考搞清楚大语言模型到底在做什么。而是文献末尾那串似真似假的参考文献 。最让人头疼的大语往往不是文风 ，言模 在人工智能领域有个专门的编造并说法 ，模型的存的参考参数相当于对所读内容的高度概括  ，手里拿到一份由大语言模型生成的文献论文初稿 ，期刊名 、大语要么卷期页码对不上 。言模把模型当作灵感甩干机和句式发生器是编造并合理的 ，语法顺、存的参考用户越期待一个确凿的文献引用 ，出版年份一应俱全，精确的卷期页码、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 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。数据与结论，细节像，当模型被追问具体出处时，作者姓名、但把它的每一条输出都默认为检索结果就危险了。查不到的一律舍弃，很难被完整保留下来  。反而倾向于补全一个格式完整 、这种把不存在的东西说得煞有介事的现象，合作者顺序、要么查无此文，它不会承认“我记不清了”，训练时它读过海量文本 ，多音字姓名这类低频细节 ， 理解这个问题的起点，务实做法始终是自己动手去原始数据库里复核一遍，唯独事实本身可能是凭空生成的 。因为它的训练目标里并没有“承认不知道”这一项 ，而是根据上文逐字预测下一个词最可能是什么 。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 。 另一个推手来自信息的缺失与压缩 。叫作“幻觉”。既不贪快也不含糊 。查得到的留下 ，于是当被要求列参考文献时，读起来可信的答案 。可拿去数据库一查，