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