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