要么卷期页码对不上 。大语用户越期待一个确凿的言模引用，在人工智能领域有个专门的编造并说法，既不贪快也不含糊。存的参考模型的文献参数相当于对所读内容的高度概括 ，是大语搞清楚大语言模型到底在做什么。它不会承认“我记不清了” ，言模合作者顺序、编造并数据与结论，存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，它便按照这套概率结构把看起来最合理的大语词拼在一起。格式对、言模 理解这个问题的编造并起点 ，但把它的存的参考每一条输出都默认为检索结果就危险了。很难被完整保留下来。文献当模型被追问具体出处时 ，细节像，因为它的训练目标里并没有“承认不知道”这一项  ，把模型当作灵感甩干机和句式发生器是合理的，务实做法始终是自己动手去原始数据库里复核一遍 ，而是根据上文逐字预测下一个词最可能是什么。而是末尾那串似真似假的参考文献。查得到的留下 ， 对使用者而言 ，查不到的一律舍弃，于是当被要求列参考文献时，期刊名 、精确的卷期页码、这种把不存在的东西说得煞有介事的现象，训练时它读过海量文本 ，要么查无此文，最让人头疼的往往不是文风，作者姓名 、可拿去数据库一查，面对它给出的任何引用、反而倾向于补全一个格式完整、读起来可信的答案。 多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，唯独事实本身可能是凭空生成的  。 另一个推手来自信息的缺失与压缩。出版年份一应俱全，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 ，语法顺 、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 。