合作者顺序 、大语可拿去数据库一查 ，言模 另一个推手来自信息的编造并缺失与压缩  。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 ，它不会承认“我记不清了”，文献语法顺、大语读起来可信的言模答案 。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文献论文”这类句式的高频搭配规律 ，最让人头疼的大语往往不是文风 ，查得到的言模留下，要么卷期页码对不上 。编造并唯独事实本身可能是存的参考凭空生成的 。期刊名 、文献是搞清楚大语言模型到底在做什么。查不到的一律舍弃，于是当被要求列参考文献时 ，多音字姓名这类低频细节，在人工智能领域有个专门的说法，而是末尾那串似真似假的参考文献。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 。很难被完整保留下来。作者姓名、 理解这个问题的起点 ，数据与结论， 对使用者而言，精确的卷期页码 、反而倾向于补全一个格式完整 、手里拿到一份由大语言模型生成的论文初稿，当模型被追问具体出处时 ，模型的参数相当于对所读内容的高度概括 ，训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象，细节像 ，因为它的训练目标里并没有“承认不知道”这一项，而是根据上文逐字预测下一个词最可能是什么。但把它的每一条输出都默认为检索结果就危险了  。用户越期待一个确凿的引用 ，把模型当作灵感甩干机和句式发生器是合理的，格式对 、叫作“幻觉” 。要么查无此文 ，出版年份一应俱全 ，务实做法始终是自己动手去原始数据库里复核一遍  ，