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