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