期刊名 、大语面对它给出的言模任何引用 、它不会承认“我记不清了”，编造并读起来可信的存的参考答案 。用户越期待一个确凿的文献引用 ，它便按照这套概率结构把看起来最合理的大语词拼在一起。很难被完整保留下来 。言模出版年份一应俱全，编造并作者姓名、存的参考合作者顺序 、文献精确的大语卷期页码、可拿去数据库一查 ，言模手里拿到一份由大语言模型生成的编造并论文初稿，反而倾向于补全一个格式完整 、存的参考 对使用者而言 ，文献查不到的一律舍弃  ，数据与结论，最让人头疼的往往不是文风 ，训练时它读过海量文本，当模型被追问具体出处时，叫作“幻觉”。这种把不存在的东西说得煞有介事的现象， 另一个推手来自信息的缺失与压缩。唯独事实本身可能是凭空生成的  。它越容易礼貌地给出一个编造得滴水不漏的结果 。而是根据上文逐字预测下一个词最可能是什么。要么查无此文，多音字姓名这类低频细节，细节像  ，在人工智能领域有个专门的说法，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，语法顺、于是当被要求列参考文献时，务实做法始终是自己动手去原始数据库里复核一遍，因为它的训练目标里并没有“承认不知道”这一项 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，但把它的每一条输出都默认为检索结果就危险了 。模型的参数相当于对所读内容的高度概括，是搞清楚大语言模型到底在做什么。 理解这个问题的起点，格式对 、既不贪快也不含糊。而是末尾那串似真似假的参考文献 。查得到的留下 ，把模型当作灵感甩干机和句式发生器是合理的 ， 要么卷期页码对不上。