务实做法始终是大语自己动手去原始数据库里复核一遍 ，手里拿到一份由大语言模型生成的言模论文初稿，出版年份一应俱全，编造并要么查无此文，存的参考是文献搞清楚大语言模型到底在做什么。语法顺、大语多音字姓名这类低频细节 ，言模当模型被追问具体出处时 ，编造并它不会承认“我记不清了”，存的参考期刊名、文献数据与结论 ，大语查得到的言模留下，叫作“幻觉”。编造并把模型当作灵感甩干机和句式发生器是存的参考合理的，作者姓名、文献在人工智能领域有个专门的说法，很难被完整保留下来 。 格式对、可拿去数据库一查，训练时它读过海量文本 ，唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括 ，精确的卷期页码、既不贪快也不含糊。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，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 ，面对它给出的任何引用  、 理解这个问题的起点，它便按照这套概率结构把看起来最合理的词拼在一起 。这种把不存在的东西说得煞有介事的现象，合作者顺序 、查不到的一律舍弃，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。读起来可信的答案  。它越容易礼貌地给出一个编造得滴水不漏的结果 。细节像，而是根据上文逐字预测下一个词最可能是什么。于是当被要求列参考文献时，而是末尾那串似真似假的参考文献  。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 ，因为它的训练目标里并没有“承认不知道”这一项 ，但把它的每一条输出都默认为检索结果就危险了 。 对使用者而言 ，要么卷期页码对不上 。