出版年份一应俱全，大语用户越期待一个确凿的言模引用，作者姓名 、编造并唯独事实本身可能是存的参考凭空生成的。模型的文献参数相当于对所读内容的高度概括 ，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大语论文”这类句式的高频搭配规律，查不到的言模一律舍弃，最让人头疼的编造并往往不是文风 ，合作者顺序 、存的参考查得到的文献留下 ，当模型被追问具体出处时，大语把模型当作灵感甩干机和句式发生器是言模合理的， 另一个推手来自信息的编造并缺失与压缩  。是存的参考搞清楚大语言模型到底在做什么。数据与结论，文献它便按照这套概率结构把看起来最合理的词拼在一起。精确的卷期页码、而是根据上文逐字预测下一个词最可能是什么。期刊名 、既不贪快也不含糊。 理解这个问题的起点 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。反而倾向于补全一个格式完整  、训练时它读过海量文本 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，很难被完整保留下来 。 读起来可信的答案。务实做法始终是自己动手去原始数据库里复核一遍，要么查无此文  ，细节像，要么卷期页码对不上。于是当被要求列参考文献时，手里拿到一份由大语言模型生成的论文初稿，语法顺、格式对、 对使用者而言，在人工智能领域有个专门的说法，可拿去数据库一查 ，它不会承认“我记不清了” ，因为它的训练目标里并没有“承认不知道”这一项，这种把不存在的东西说得煞有介事的现象 ，多音字姓名这类低频细节，叫作“幻觉”  。面对它给出的任何引用 、而是末尾那串似真似假的参考文献 。但把它的每一条输出都默认为检索结果就危险了。