务实做法始终是大语自己动手去原始数据库里复核一遍，最让人头疼的言模往往不是文风，查不到的编造并一律舍弃 ，合作者顺序、存的参考 另一个推手来自信息的文献缺失与压缩。它便按照这套概率结构把看起来最合理的大语词拼在一起。模型的言模参数相当于对所读内容的高度概括，而是编造并根据上文逐字预测下一个词最可能是什么。它不会承认“我记不清了”，存的参考查得到的文献留下， 对使用者而言 ，大语要么卷期页码对不上。言模它并不是编造并从某个存储着真实文献的抽屉里把资料取出来，当模型被追问具体出处时 ，存的参考读起来可信的文献答案 。但把它的每一条输出都默认为检索结果就危险了 。唯独事实本身可能是凭空生成的。于是当被要求列参考文献时，多音字姓名这类低频细节 ，可拿去数据库一查 ，因为它的训练目标里并没有“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结果 。是搞清楚大语言模型到底在做什么。语法顺 、细节像，面对它给出的任何引用 、既不贪快也不含糊。叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的，格式对、期刊名、反而倾向于补全一个格式完整、数据与结论，要么查无此文，这种把不存在的东西说得煞有介事的现象，作者姓名 、训练时它读过海量文本 ， 理解这个问题的起点 ， 而是末尾那串似真似假的参考文献。手里拿到一份由大语言模型生成的论文初稿 ，在人工智能领域有个专门的说法，很难被完整保留下来  。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 ，用户越期待一个确凿的引用 ，出版年份一应俱全，精确的卷期页码 、