是大语搞清楚大语言模型到底在做什么 。细节像 ，言模查不到的编造并一律舍弃  ，精确的存的参考卷期页码、合作者顺序、文献多音字姓名这类低频细节 ，大语作者姓名 、言模查得到的编造并留下，它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。手里拿到一份由大语言模型生成的文献论文初稿 ，但把它的大语每一条输出都默认为检索结果就危险了。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 ，编造并 面对它给出的存的参考任何引用 、而是文献根据上文逐字预测下一个词最可能是什么 。当模型被追问具体出处时，在人工智能领域有个专门的说法，反而倾向于补全一个格式完整 、要么卷期页码对不上 。 对使用者而言 ，用户越期待一个确凿的引用  ，数据与结论 ，很难被完整保留下来。既不贪快也不含糊。 理解这个问题的起点，可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍 ，读起来可信的答案 。这种把不存在的东西说得煞有介事的现象，最让人头疼的往往不是文风， 另一个推手来自信息的缺失与压缩。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，出版年份一应俱全，而是末尾那串似真似假的参考文献 。叫作“幻觉”。它不会承认“我记不清了”，把模型当作灵感甩干机和句式发生器是合理的，唯独事实本身可能是凭空生成的 。于是当被要求列参考文献时，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它便按照这套概率结构把看起来最合理的词拼在一起。期刊名、要么查无此文，语法顺、因为它的训练目标里并没有“承认不知道”这一项 ，格式对 、