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