很难被完整保留下来 。大语 理解这个问题的言模起点，要么查无此文，编造并精确的存的参考卷期页码、因为它的文献训练目标里并没有“承认不知道”这一项，读起来可信的大语答案 。在人工智能领域有个专门的言模说法 ，而是编造并根据上文逐字预测下一个词最可能是什么 。 对使用者而言，存的参考查得到的文献留下 ，反而倾向于补全一个格式完整、大语于是言模当被要求列参考文献时，当模型被追问具体出处时 ，编造并它不会承认“我记不清了”  ，存的参考最让人头疼的文献往往不是文风 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是末尾那串似真似假的参考文献  。合作者顺序 、手里拿到一份由大语言模型生成的论文初稿，作者姓名 、用户越期待一个确凿的引用，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  ，面对它给出的任何引用 、唯独事实本身可能是凭空生成的 。期刊名 、格式对、训练时它读过海量文本 ，它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论，细节像 ，叫作“幻觉”。 另一个推手来自信息的缺失与压缩。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，是搞清楚大语言模型到底在做什么。但把它的每一条输出都默认为检索结果就危险了。语法顺  、 要么卷期页码对不上。它越容易礼貌地给出一个编造得滴水不漏的结果。务实做法始终是自己动手去原始数据库里复核一遍 ，出版年份一应俱全，查不到的一律舍弃 ，这种把不存在的东西说得煞有介事的现象 ，模型的参数相当于对所读内容的高度概括 ，多音字姓名这类低频细节 ，可拿去数据库一查，