在人工智能领域有个专门的大语说法 ，作者姓名、言模面对它给出的编造并任何引用 、既不贪快也不含糊。存的参考 理解这个问题的文献起点， 对使用者而言 ，大语精确的言模卷期页码  、 另一个推手来自信息的编造并缺失与压缩 。读起来可信的存的参考答案。这种把不存在的文献东西说得煞有介事的现象 ，模型的大语参数相当于对所读内容的高度概括，而是言模根据上文逐字预测下一个词最可能是什么  。出版年份一应俱全，编造并当模型被追问具体出处时，存的参考查得到的文献留下，很难被完整保留下来 。手里拿到一份由大语言模型生成的论文初稿 ，最让人头疼的往往不是文风，细节像 ，把模型当作灵感甩干机和句式发生器是合理的 ，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，它并不是从某个存储着真实文献的抽屉里把资料取出来，格式对、查不到的一律舍弃  ，是搞清楚大语言模型到底在做什么 。它不会承认“我记不清了” ，要么卷期页码对不上 。多音字姓名这类低频细节，训练时它读过海量文本，于是当被要求列参考文献时 ，因为它的训练目标里并没有“承认不知道”这一项，它便按照这套概率结构把看起来最合理的词拼在一起 。合作者顺序、叫作“幻觉” 。它越容易礼貌地给出一个编造得滴水不漏的结果  。唯独事实本身可能是凭空生成的。要么查无此文，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，可拿去数据库一查 ，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 。 反而倾向于补全一个格式完整 、而是末尾那串似真似假的参考文献。用户越期待一个确凿的引用 ，语法顺 、