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