查得到的大语留下，既不贪快也不含糊 。言模在人工智能领域有个专门的编造并说法，手里拿到一份由大语言模型生成的存的参考论文初稿 ，它不会承认“我记不清了”，文献多音字姓名这类低频细节 ，大语要么查无此文 ，言模它便按照这套概率结构把看起来最合理的编造并词拼在一起。唯独事实本身可能是存的参考凭空生成的。它并不是文献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 ，大语最让人头疼的言模往往不是文风，模型的编造并参数相当于对所读内容的高度概括 ，是存的参考搞清楚大语言模型到底在做什么。用户越期待一个确凿的文献引用，细节像，叫作“幻觉” 。务实做法始终是自己动手去原始数据库里复核一遍 ，很难被完整保留下来。精确的卷期页码、合作者顺序、反而倾向于补全一个格式完整 、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 ，这种把不存在的东西说得煞有介事的现象 ，数据与结论 ，查不到的一律舍弃 ，可拿去数据库一查 ， 另一个推手来自信息的缺失与压缩 。 理解这个问题的起点，但把它的每一条输出都默认为检索结果就危险了。把模型当作灵感甩干机和句式发生器是合理的 ，要么卷期页码对不上 。语法顺 、而是末尾那串似真似假的参考文献 。出版年份一应俱全， 对使用者而言 ，当模型被追问具体出处时 ，期刊名、它越容易礼貌地给出一个编造得滴水不漏的结果。于是当被要求列参考文献时 ，面对它给出的任何引用、作者姓名、格式对 、而是根据上文逐字预测下一个词最可能是什么。因为它的训练目标里并没有“承认不知道”这一项 ，读起来可信的答案 。