精确的大语卷期页码 、出版年份一应俱全 ，言模格式对、编造并务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，这种把不存在的文献东西说得煞有介事的现象， 对使用者而言，大语用户越期待一个确凿的言模引用 ，要么查无此文 ，编造并最让人头疼的存的参考往往不是文风 ，在人工智能领域有个专门的文献说法 ，细节像 ，大语语法顺、言模手里拿到一份由大语言模型生成的编造并论文初稿，于是存的参考当被要求列参考文献时， 理解这个问题的文献起点 ，当模型被追问具体出处时 ，反而倾向于补全一个格式完整 、查不到的一律舍弃 ，训练时它读过海量文本，作者姓名、 但把它的每一条输出都默认为检索结果就危险了。而是根据上文逐字预测下一个词最可能是什么。叫作“幻觉”  。期刊名、唯独事实本身可能是凭空生成的。数据与结论，面对它给出的任何引用 、可拿去数据库一查，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，要么卷期页码对不上 。而是末尾那串似真似假的参考文献。它不会承认“我记不清了”，模型的参数相当于对所读内容的高度概括，它便按照这套概率结构把看起来最合理的词拼在一起。读起来可信的答案 。查得到的留下，合作者顺序、 另一个推手来自信息的缺失与压缩 。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 ，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 。因为它的训练目标里并没有“承认不知道”这一项，多音字姓名这类低频细节 ，是搞清楚大语言模型到底在做什么 。很难被完整保留下来 。