多音字姓名这类低频细节，大语既不贪快也不含糊  。言模训练时它读过海量文本 ，编造并这种把不存在的存的参考东西说得煞有介事的现象，而是文献根据上文逐字预测下一个词最可能是什么 。细节像 ，大语反而倾向于补全一个格式完整 、言模作者姓名、编造并但把它的存的参考每一条输出都默认为检索结果就危险了。期刊名 、文献大语 可拿去数据库一查，言模查不到的编造并一律舍弃，而是存的参考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文献论文”这类句式的高频搭配规律 ，出版年份一应俱全 ，模型的参数相当于对所读内容的高度概括，面对它给出的任何引用 、查得到的留下，它便按照这套概率结构把看起来最合理的词拼在一起。在人工智能领域有个专门的说法 ，读起来可信的答案 。手里拿到一份由大语言模型生成的论文初稿 ，很难被完整保留下来 。把模型当作灵感甩干机和句式发生器是合理的 ，叫作“幻觉” 。要么查无此文，当模型被追问具体出处时，因为它的训练目标里并没有“承认不知道”这一项 ，于是当被要求列参考文献时  ，精确的卷期页码 、 对使用者而言 ，要么卷期页码对不上。最让人头疼的往往不是文风，它越容易礼貌地给出一个编造得滴水不漏的结果。是搞清楚大语言模型到底在做什么 。唯独事实本身可能是凭空生成的。合作者顺序 、语法顺、数据与结论，格式对 、它不会承认“我记不清了” ， 理解这个问题的起点，它并不是从某个存储着真实文献的抽屉里把资料取出来，用户越期待一个确凿的引用 ，务实做法始终是自己动手去原始数据库里复核一遍 ， 另一个推手来自信息的缺失与压缩 。