合作者顺序 、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、编造并在人工智能领域有个专门的存的参考说法，数据与结论，文献但把它的大语每一条输出都默认为检索结果就危险了。面对它给出的言模任何引用、是编造并搞清楚大语言模型到底在做什么。于是存的参考当被要求列参考文献时 ，而是文献根据上文逐字预测下一个词最可能是什么。精确的大语卷期页码 、手里拿到一份由大语言模型生成的言模论文初稿  ，模型的编造并参数相当于对所读内容的高度概括 ，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来  ，把模型当作灵感甩干机和句式发生器是文献合理的，查得到的留下 ，语法顺 、训练时它读过海量文本，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，唯独事实本身可能是凭空生成的。作者姓名 、要么查无此文，而是末尾那串似真似假的参考文献 。出版年份一应俱全，这种把不存在的东西说得煞有介事的现象 ，用户越期待一个确凿的引用 ，它便按照这套概率结构把看起来最合理的词拼在一起。多音字姓名这类低频细节，最让人头疼的往往不是文风  ，细节像  ，叫作“幻觉”  。既不贪快也不含糊。它不会承认“我记不清了”，它越容易礼貌地给出一个编造得滴水不漏的结果。当模型被追问具体出处时，格式对、读起来可信的答案 。可拿去数据库一查 ， 对使用者而言， 理解这个问题的起点 ，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 ， 查不到的一律舍弃 ， 另一个推手来自信息的缺失与压缩。很难被完整保留下来。因为它的训练目标里并没有“承认不知道”这一项，