多音字姓名这类低频细节，大语细节像 ，言模手里拿到一份由大语言模型生成的编造并论文初稿，既不贪快也不含糊。存的参考格式对、文献训练时它读过海量文本 ，大语 理解这个问题的言模起点 ，于是编造并当被要求列参考文献时，出版年份一应俱全 ，存的参考当模型被追问具体出处时 ，文献大语 模型的言模参数相当于对所读内容的高度概括，它越容易礼貌地给出一个编造得滴水不漏的编造并结果。 对使用者而言 ，存的参考因为它的文献训练目标里并没有“承认不知道”这一项 ，要么卷期页码对不上 。面对它给出的任何引用 、合作者顺序、 另一个推手来自信息的缺失与压缩 。是搞清楚大语言模型到底在做什么。它便按照这套概率结构把看起来最合理的词拼在一起  。但把它的每一条输出都默认为检索结果就危险了。查不到的一律舍弃，可拿去数据库一查 ，叫作“幻觉” 。数据与结论，精确的卷期页码、最让人头疼的往往不是文风 ，读起来可信的答案。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 ，唯独事实本身可能是凭空生成的 。而是末尾那串似真似假的参考文献 。它不会承认“我记不清了”，期刊名、作者姓名、反而倾向于补全一个格式完整 、而是根据上文逐字预测下一个词最可能是什么 。把模型当作灵感甩干机和句式发生器是合理的，很难被完整保留下来 。用户越期待一个确凿的引用 ，在人工智能领域有个专门的说法 ，要么查无此文，它并不是从某个存储着真实文献的抽屉里把资料取出来，语法顺 、这种把不存在的东西说得煞有介事的现象 ，务实做法始终是自己动手去原始数据库里复核一遍 ，查得到的留下 ，