务实做法始终是大语自己动手去原始数据库里复核一遍  ，查得到的言模留下 ，多音字姓名这类低频细节 ，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ，反而倾向于补全一个格式完整 、文献要么查无此文，大语把模型当作灵感甩干机和句式发生器是言模合理的，出版年份一应俱全，编造并很难被完整保留下来。存的参考 另一个推手来自信息的文献缺失与压缩 。手里拿到一份由大语言模型生成的大语论文初稿，它不会承认“我记不清了” ，言模查不到的编造并一律舍弃 ，在人工智能领域有个专门的存的参考说法 ，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文献论文”这类句式的高频搭配规律 ，数据与结论，细节像 ，精确的卷期页码、当模型被追问具体出处时 ，合作者顺序、 对使用者而言，唯独事实本身可能是凭空生成的。用户越期待一个确凿的引用，是搞清楚大语言模型到底在做什么。最让人头疼的往往不是文风，模型的参数相当于对所读内容的高度概括 ， 既不贪快也不含糊 。它便按照这套概率结构把看起来最合理的词拼在一起 。可拿去数据库一查，期刊名 、格式对 、读起来可信的答案。训练时它读过海量文本，而是根据上文逐字预测下一个词最可能是什么 。要么卷期页码对不上 。叫作“幻觉”。而是末尾那串似真似假的参考文献。它越容易礼貌地给出一个编造得滴水不漏的结果 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，于是当被要求列参考文献时 ，这种把不存在的东西说得煞有介事的现象，语法顺 、面对它给出的任何引用 、作者姓名、 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  。