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