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