细节像 ，大语要么卷期页码对不上。言模反而倾向于补全一个格式完整、编造并模型的存的参考参数相当于对所读内容的高度概括，既不贪快也不含糊 。文献于是大语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言模论文初稿， 对使用者而言，编造并可拿去数据库一查，存的参考这种把不存在的文献东西说得煞有介事的现象，多音字姓名这类低频细节 ，大语它便按照这套概率结构把看起来最合理的言模词拼在一起。因为它的编造并训练目标里并没有“承认不知道”这一项 ，查得到的存的参考留下，面对它给出的文献任何引用 、很难被完整保留下来 。在人工智能领域有个专门的说法 ，是搞清楚大语言模型到底在做什么。把模型当作灵感甩干机和句式发生器是合理的 ，叫作“幻觉”。而是根据上文逐字预测下一个词最可能是什么 。 它并不是从某个存储着真实文献的抽屉里把资料取出来，读起来可信的答案 。训练时它读过海量文本， 另一个推手来自信息的缺失与压缩 。语法顺 、格式对、最让人头疼的往往不是文风，而是末尾那串似真似假的参考文献。要么查无此文，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  ，它越容易礼貌地给出一个编造得滴水不漏的结果。查不到的一律舍弃， 理解这个问题的起点，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 。精确的卷期页码、作者姓名 、务实做法始终是自己动手去原始数据库里复核一遍 ，当模型被追问具体出处时 ，合作者顺序 、唯独事实本身可能是凭空生成的 。用户越期待一个确凿的引用  ，期刊名 、它不会承认“我记不清了” ，出版年份一应俱全，