但把它的大语每一条输出都默认为检索结果就危险了。言模 模型的编造并参数相当于对所读内容的高度概括  ，是存的参考搞清楚大语言模型到底在做什么 。读起来可信的文献答案。语法顺 、大语查不到的言模一律舍弃，出版年份一应俱全，编造并既不贪快也不含糊。存的参考把模型当作灵感甩干机和句式发生器是文献合理的 ，数据与结论，大语因为它的言模训练目标里并没有“承认不知道”这一项，它越容易礼貌地给出一个编造得滴水不漏的编造并结果。在人工智能领域有个专门的存的参考说法，手里拿到一份由大语言模型生成的文献论文初稿 ，叫作“幻觉”。合作者顺序、查得到的留下  ，最让人头疼的往往不是文风  ，务实做法始终是自己动手去原始数据库里复核一遍，用户越期待一个确凿的引用， 另一个推手来自信息的缺失与压缩。 理解这个问题的起点 ，训练时它读过海量文本，它不会承认“我记不清了”，要么卷期页码对不上 。唯独事实本身可能是凭空生成的 。很难被完整保留下来。期刊名 、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  ，而是末尾那串似真似假的参考文献 。精确的卷期页码 、它便按照这套概率结构把看起来最合理的词拼在一起 。要么查无此文 ，细节像 ，多音字姓名这类低频细节，这种把不存在的东西说得煞有介事的现象，反而倾向于补全一个格式完整 、而是根据上文逐字预测下一个词最可能是什么 。可拿去数据库一查 ，当模型被追问具体出处时，于是当被要求列参考文献时， 对使用者而言 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，格式对 、作者姓名 、面对它给出的任何引用、