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