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