在人工智能领域有个专门的大语说法 ，要么查无此文 ，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 ，务实做法始终是存的参考自己动手去原始数据库里复核一遍，查得到的文献留下，因为它的大语训练目标里并没有“承认不知道”这一项 ，细节像，言模模型的编造并参数相当于对所读内容的高度概括 ，既不贪快也不含糊 。存的参考手里拿到一份由大语言模型生成的文献论文初稿 ， 对使用者而言 ，大语是言模搞清楚大语言模型到底在做什么。这种把不存在的编造并东西说得煞有介事的现象，当模型被追问具体出处时，存的参考要么卷期页码对不上 。文献 另一个推手来自信息的缺失与压缩 。它便按照这套概率结构把看起来最合理的词拼在一起 。反而倾向于补全一个格式完整 、精确的卷期页码、读起来可信的答案。查不到的一律舍弃 ，作者姓名、 叫作“幻觉”。唯独事实本身可能是凭空生成的 。它越容易礼貌地给出一个编造得滴水不漏的结果 。最让人头疼的往往不是文风，合作者顺序 、于是当被要求列参考文献时 ，但把它的每一条输出都默认为检索结果就危险了 。期刊名、格式对、 理解这个问题的起点 ，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 ，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  ，训练时它读过海量文本，数据与结论 ，很难被完整保留下来 。用户越期待一个确凿的引用，而是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”，而是末尾那串似真似假的参考文献。多音字姓名这类低频细节，面对它给出的任何引用  、语法顺、出版年份一应俱全 ，