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