合作者顺序、大语语法顺、言模于是编造并当被要求列参考文献时 ，作者姓名 、存的参考要么查无此文  ，文献在人工智能领域有个专门的大语说法，它并不是言模从某个存储着真实文献的抽屉里把资料取出来，数据与结论 ，编造并当模型被追问具体出处时 ，存的参考读起来可信的文献答案 。要么卷期页码对不上。大语而是言模末尾那串似真似假的参考文献  。查不到的编造并一律舍弃 ， 理解这个问题的存的参考起点 ，手里拿到一份由大语言模型生成的文献论文初稿，格式对、可拿去数据库一查，既不贪快也不含糊  。 对使用者而言，它越容易礼貌地给出一个编造得滴水不漏的结果。它不会承认“我记不清了” ，面对它给出的任何引用、查得到的留下 ，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 、期刊名 、很难被完整保留下来。多音字姓名这类低频细节 ，用户越期待一个确凿的引用，训练时它读过海量文本 ，最让人头疼的往往不是文风 ，而是根据上文逐字预测下一个词最可能是什么。 但把它的每一条输出都默认为检索结果就危险了 。叫作“幻觉”。反而倾向于补全一个格式完整 、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，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。务实做法始终是自己动手去原始数据库里复核一遍 ，细节像 ，是搞清楚大语言模型到底在做什么 。 另一个推手来自信息的缺失与压缩 。它便按照这套概率结构把看起来最合理的词拼在一起。因为它的训练目标里并没有“承认不知道”这一项 ，模型的参数相当于对所读内容的高度概括 ，出版年份一应俱全，