在人工智能领域有个专门的大语说法，查不到的言模一律舍弃，因为它的编造并训练目标里并没有“承认不知道”这一项，它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。细节像 ，文献唯独事实本身可能是大语凭空生成的。精确的言模卷期页码、语法顺 、编造并既不贪快也不含糊。存的参考于是文献当被要求列参考文献时 ，务实做法始终是大语自己动手去原始数据库里复核一遍，当模型被追问具体出处时，言模可拿去数据库一查，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 ， 另一个推手来自信息的文献缺失与压缩。叫作“幻觉” 。面对它给出的任何引用、 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。数据与结论，出版年份一应俱全  ，多音字姓名这类低频细节 ，读起来可信的答案 。格式对、最让人头疼的往往不是文风，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 ， 理解这个问题的起点 ，期刊名 、是搞清楚大语言模型到底在做什么 。反而倾向于补全一个格式完整 、 对使用者而言，它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用，把模型当作灵感甩干机和句式发生器是合理的，这种把不存在的东西说得煞有介事的现象，它并不是从某个存储着真实文献的抽屉里把资料取出来，而是末尾那串似真似假的参考文献。它不会承认“我记不清了” ，合作者顺序 、查得到的留下，作者姓名 、训练时它读过海量文本，很难被完整保留下来。但把它的每一条输出都默认为检索结果就危险了。要么卷期页码对不上 。要么查无此文 ，