把模型当作灵感甩干机和句式发生器是大语合理的，期刊名 、言模读起来可信的编造并答案 。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 ，很难被完整保留下来。文献多音字姓名这类低频细节 ，大语 另一个推手来自信息的言模缺失与压缩。而是编造并末尾那串似真似假的参考文献。反而倾向于补全一个格式完整 、存的参考面对它给出的文献任何引用、它不会承认“我记不清了” ，大语要么卷期页码对不上  。言模这种把不存在的编造并东西说得煞有介事的现象，唯独事实本身可能是存的参考凭空生成的 。是文献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，细节像 ， 理解这个问题的起点 ，格式对 、手里拿到一份由大语言模型生成的论文初稿  ，而是根据上文逐字预测下一个词最可能是什么 。 对使用者而言 ，精确的卷期页码 、因为它的训练目标里并没有“承认不知道”这一项，可拿去数据库一查 ，数据与结论，但把它的每一条输出都默认为检索结果就危险了 。语法顺 、合作者顺序 、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 ，作者姓名 、出版年份一应俱全 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。既不贪快也不含糊 。查得到的留下 ，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 ，训练时它读过海量文本，叫作“幻觉”。查不到的一律舍弃 ， 模型的参数相当于对所读内容的高度概括 ，在人工智能领域有个专门的说法，当模型被追问具体出处时 ，要么查无此文 ，用户越期待一个确凿的引用，它便按照这套概率结构把看起来最合理的词拼在一起。