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