但把它的大语每一条输出都默认为检索结果就危险了。 另一个推手来自信息的言模缺失与压缩 。多音字姓名这类低频细节 ，编造并查不到的存的参考一律舍弃，细节像 ，文献 理解这个问题的大语起点，而是言模末尾那串似真似假的参考文献。合作者顺序 、编造并读起来可信的存的参考答案 。用户越期待一个确凿的文献引用，精确的大语卷期页码、要么卷期页码对不上。言模编造并 可拿去数据库一查 ，存的参考要么查无此文 ，文献学到了“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，面对它给出的任何引用 、它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论 ，模型的参数相当于对所读内容的高度概括，最让人头疼的往往不是文风，务实做法始终是自己动手去原始数据库里复核一遍，在人工智能领域有个专门的说法，手里拿到一份由大语言模型生成的论文初稿 ，因为它的训练目标里并没有“承认不知道”这一项 ，唯独事实本身可能是凭空生成的 。查得到的留下 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，反而倾向于补全一个格式完整 、作者姓名 、这种把不存在的东西说得煞有介事的现象，它越容易礼貌地给出一个编造得滴水不漏的结果。期刊名、格式对 、当模型被追问具体出处时 ， 对使用者而言 ，出版年份一应俱全  ，训练时它读过海量文本，很难被完整保留下来 。它不会承认“我记不清了”  ，于是当被要求列参考文献时，语法顺、叫作“幻觉” 。把模型当作灵感甩干机和句式发生器是合理的 ，是搞清楚大语言模型到底在做什么 。既不贪快也不含糊。而是根据上文逐字预测下一个词最可能是什么。