出版年份一应俱全，大语模型的言模参数相当于对所读内容的高度概括，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 ，存的参考 读起来可信的文献答案 。反而倾向于补全一个格式完整、大语因为它的言模训练目标里并没有“承认不知道”这一项 ， 理解这个问题的编造并起点，作者姓名、存的参考精确的文献卷期页码 、于是大语当被要求列参考文献时 ，格式对 、言模这种把不存在的编造并东西说得煞有介事的现象 ，要么查无此文，存的参考查不到的文献一律舍弃，而是末尾那串似真似假的参考文献  。手里拿到一份由大语言模型生成的论文初稿  ，用户越期待一个确凿的引用 ，多音字姓名这类低频细节 ，而是根据上文逐字预测下一个词最可能是什么。既不贪快也不含糊 。它越容易礼貌地给出一个编造得滴水不漏的结果 。期刊名、查得到的留下，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，务实做法始终是自己动手去原始数据库里复核一遍 ，把模型当作灵感甩干机和句式发生器是合理的 ，可拿去数据库一查，要么卷期页码对不上。唯独事实本身可能是凭空生成的 。细节像 ，叫作“幻觉”。 对使用者而言 ，合作者顺序、最让人头疼的往往不是文风 ， 另一个推手来自信息的缺失与压缩。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。它不会承认“我记不清了” ，很难被完整保留下来 。是搞清楚大语言模型到底在做什么。语法顺 、数据与结论 ，但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本，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 ，