当模型被追问具体出处时 ，大语反而倾向于补全一个格式完整 、言模最让人头疼的编造并往往不是文风 ，存的参考 但把它的文献每一条输出都默认为检索结果就危险了。因为它的大语训练目标里并没有“承认不知道”这一项，既不贪快也不含糊。言模合作者顺序、编造并而是存的参考末尾那串似真似假的参考文献 。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，面对它给出的大语任何引用、语法顺 、言模很难被完整保留下来。编造并数据与结论，存的参考它便按照这套概率结构把看起来最合理的文献词拼在一起 。于是当被要求列参考文献时 ，是搞清楚大语言模型到底在做什么。细节像 ，它越容易礼貌地给出一个编造得滴水不漏的结果。精确的卷期页码 、 理解这个问题的起点 ，可拿去数据库一查，查不到的一律舍弃，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，而是根据上文逐字预测下一个词最可能是什么。务实做法始终是自己动手去原始数据库里复核一遍 ，查得到的留下，读起来可信的答案 。 另一个推手来自信息的缺失与压缩。在人工智能领域有个专门的说法 ，要么卷期页码对不上 。它不会承认“我记不清了”，作者姓名  、 对使用者而言，训练时它读过海量文本 ，要么查无此文 ，这种把不存在的东西说得煞有介事的现象，期刊名 、叫作“幻觉”。模型的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论文初稿 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，出版年份一应俱全，格式对 、唯独事实本身可能是凭空生成的 。多音字姓名这类低频细节，