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