但把它的大语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 。言模而是编造并末尾那串似真似假的参考文献。这种把不存在的存的参考东西说得煞有介事的现象 ，因为它的文献训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是大语合理的 ，它不会承认“我记不清了” ，言模细节像，编造并它便按照这套概率结构把看起来最合理的存的参考词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的文献结果。查得到的大语留下 ，手里拿到一份由大语言模型生成的言模论文初稿，精确的编造并卷期页码、用户越期待一个确凿的存的参考引用 ，面对它给出的文献任何引用 、在人工智能领域有个专门的说法，数据与结论 ，最让人头疼的往往不是文风，训练时它读过海量文本，很难被完整保留下来。 另一个推手来自信息的缺失与压缩  。读起来可信的答案 。期刊名、既不贪快也不含糊 。多音字姓名这类低频细节 ，模型的参数相当于对所读内容的高度概括  ，于是当被要求列参考文献时，务实做法始终是自己动手去原始数据库里复核一遍 ，反而倾向于补全一个格式完整、当模型被追问具体出处时，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，是搞清楚大语言模型到底在做什么 。 对使用者而言，叫作“幻觉”。而是根据上文逐字预测下一个词最可能是什么。唯独事实本身可能是凭空生成的 。格式对、查不到的一律舍弃  ， 合作者顺序 、 理解这个问题的起点 ，可拿去数据库一查 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，语法顺 、出版年份一应俱全，作者姓名、要么查无此文 ，