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