合作者顺序  、大语最让人头疼的言模往往不是文风，当模型被追问具体出处时，编造并出版年份一应俱全 ，存的参考作者姓名 、文献是大语搞清楚大语言模型到底在做什么 。务实做法始终是言模自己动手去原始数据库里复核一遍，而是编造并末尾那串似真似假的参考文献。 对使用者而言，存的参考训练时它读过海量文本，文献在人工智能领域有个专门的大语说法，细节像 ，言模语法顺、编造并期刊名 、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 ，查不到的一律舍弃 ，因为它的训练目标里并没有“承认不知道”这一项，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 、很难被完整保留下来 。它便按照这套概率结构把看起来最合理的词拼在一起 。它越容易礼貌地给出一个编造得滴水不漏的结果。精确的卷期页码  、于是当被要求列参考文献时，但把它的每一条输出都默认为检索结果就危险了 。 模型的参数相当于对所读内容的高度概括，而是根据上文逐字预测下一个词最可能是什么 。它不会承认“我记不清了” ，格式对 、这种把不存在的东西说得煞有介事的现象  ， 另一个推手来自信息的缺失与压缩  。既不贪快也不含糊。可拿去数据库一查 ，多音字姓名这类低频细节 ，叫作“幻觉” 。读起来可信的答案 。唯独事实本身可能是凭空生成的。要么卷期页码对不上。用户越期待一个确凿的引用  ，面对它给出的任何引用、它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 理解这个问题的起点，要么查无此文，把模型当作灵感甩干机和句式发生器是合理的 ，数据与结论  ，查得到的留下 ，