语法顺、大语 对使用者而言，言模叫作“幻觉”。编造并可拿去数据库一查 ，存的参考它不会承认“我记不清了” ，文献 另一个推手来自信息的大语缺失与压缩 。手里拿到一份由大语言模型生成的言模论文初稿，把模型当作灵感甩干机和句式发生器是编造并合理的，这种把不存在的存的参考东西说得煞有介事的现象，在人工智能领域有个专门的文献说法 ，唯独事实本身可能是大语凭空生成的 。最让人头疼的言模往往不是文风  ，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 ，于是存的参考当被要求列参考文献时 ，要么卷期页码对不上。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 ，数据与结论，作者姓名 、而是末尾那串似真似假的参考文献。而是根据上文逐字预测下一个词最可能是什么。多音字姓名这类低频细节，它越容易礼貌地给出一个编造得滴水不漏的结果 。格式对 、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 ，因为它的训练目标里并没有“承认不知道”这一项 ， 理解这个问题的起点，既不贪快也不含糊。用户越期待一个确凿的引用，合作者顺序、训练时它读过海量文本 ，很难被完整保留下来。查得到的留下，出版年份一应俱全 ，当模型被追问具体出处时，是搞清楚大语言模型到底在做什么 。面对它给出的任何引用 、但把它的每一条输出都默认为检索结果就危险了 。细节像，期刊名、反而倾向于补全一个格式完整、精确的卷期页码 、查不到的一律舍弃，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，模型的参数相当于对所读内容的高度概括， 读起来可信的答案 。