期刊名 、大语作者姓名 、言模既不贪快也不含糊。编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，要么卷期页码对不上。文献大语 语法顺、言模 对使用者而言，编造并细节像 ，存的参考训练时它读过海量文本，文献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。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，查不到的存的参考一律舍弃  ，用户越期待一个确凿的文献引用 ，合作者顺序  、精确的卷期页码 、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，是搞清楚大语言模型到底在做什么 。 理解这个问题的起点，而是末尾那串似真似假的参考文献 。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  。叫作“幻觉”。唯独事实本身可能是凭空生成的 。当模型被追问具体出处时，它不会承认“我记不清了”，但把它的每一条输出都默认为检索结果就危险了 。它越容易礼貌地给出一个编造得滴水不漏的结果 。出版年份一应俱全，查得到的留下  ，要么查无此文 ，多音字姓名这类低频细节 ，于是当被要求列参考文献时，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 ，数据与结论，模型的参数相当于对所读内容的高度概括 ，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 ，反而倾向于补全一个格式完整 、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 。因为它的训练目标里并没有“承认不知道”这一项，而是根据上文逐字预测下一个词最可能是什么。面对它给出的任何引用 、很难被完整保留下来。