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