细节像，大语很难被完整保留下来 。言模当模型被追问具体出处时 ，编造并精确的存的参考卷期页码 、格式对、文献数据与结论 ，大语叫作“幻觉” 。言模因为它的编造并训练目标里并没有“承认不知道”这一项，可拿去数据库一查 ，存的参考最让人头疼的文献往往不是文风，于是大语当被要求列参考文献时，读起来可信的言模答案 。模型的编造并参数相当于对所读内容的高度概括，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来 ，作者姓名 、文献 理解这个问题的起点，要么卷期页码对不上。 另一个推手来自信息的缺失与压缩。把模型当作灵感甩干机和句式发生器是合理的，面对它给出的任何引用、出版年份一应俱全，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 。手里拿到一份由大语言模型生成的论文初稿 ，它不会承认“我记不清了” ，但把它的每一条输出都默认为检索结果就危险了。要么查无此文，务实做法始终是自己动手去原始数据库里复核一遍，合作者顺序 、多音字姓名这类低频细节 ，在人工智能领域有个专门的说法 ，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 。查不到的一律舍弃，是搞清楚大语言模型到底在做什么。反而倾向于补全一个格式完整 、 期刊名 、训练时它读过海量文本 ，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 。它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用 ， 对使用者而言 ，语法顺 、查得到的留下，