多音字姓名这类低频细节，大语把模型当作灵感甩干机和句式发生器是言模合理的，但把它的编造并每一条输出都默认为检索结果就危险了 。用户越期待一个确凿的存的参考引用 ，训练时它读过海量文本 ，文献 理解这个问题的大语起点 ，要么卷期页码对不上  。言模手里拿到一份由大语言模型生成的编造并论文初稿，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，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” 。大语务实做法始终是言模自己动手去原始数据库里复核一遍，模型的编造并参数相当于对所读内容的高度概括， 另一个推手来自信息的存的参考缺失与压缩 。可拿去数据库一查 ，文献在人工智能领域有个专门的说法 ，读起来可信的答案 。唯独事实本身可能是凭空生成的。很难被完整保留下来 。而是末尾那串似真似假的参考文献。最让人头疼的往往不是文风 ，因为它的训练目标里并没有“承认不知道”这一项 ，既不贪快也不含糊。数据与结论， 对使用者而言 ，这种把不存在的东西说得煞有介事的现象，面对它给出的任何引用 、合作者顺序、查不到的一律舍弃 ，它不会承认“我记不清了”，要么查无此文 ，是搞清楚大语言模型到底在做什么。查得到的留下，细节像，当模型被追问具体出处时 ，于是当被要求列参考文献时 ，作者姓名 、它便按照这套概率结构把看起来最合理的词拼在一起。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，语法顺、它越容易礼貌地给出一个编造得滴水不漏的结果。反而倾向于补全一个格式完整 、格式对 、出版年份一应俱全 ，精确的卷期页码、期刊名 、