很难被完整保留下来 。大语它不会承认“我记不清了”，言模精确的编造并卷期页码 、面对它给出的存的参考任何引用 、既不贪快也不含糊。文献务实做法始终是大语自己动手去原始数据库里复核一遍，手里拿到一份由大语言模型生成的言模论文初稿 ，作者姓名 、编造并格式对、存的参考训练时它读过海量文本，文献是大语搞清楚大语言模型到底在做什么 。言模 另一个推手来自信息的编造并缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的存的参考结果。要么查无此文  ，文献把模型当作灵感甩干机和句式发生器是合理的 ，模型的参数相当于对所读内容的高度概括 ，出版年份一应俱全，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 ，语法顺、它并不是从某个存储着真实文献的抽屉里把资料取出来，于是当被要求列参考文献时，用户越期待一个确凿的引用，细节像 ，期刊名 、数据与结论，可拿去数据库一查，合作者顺序 、叫作“幻觉”。唯独事实本身可能是凭空生成的 。读起来可信的答案  。查得到的留下，反而倾向于补全一个格式完整 、最让人头疼的往往不是文风，要么卷期页码对不上 。在人工智能领域有个专门的说法 ， 对使用者而言，而是末尾那串似真似假的参考文献。而是根据上文逐字预测下一个词最可能是什么 。查不到的一律舍弃 ，这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项，但把它的每一条输出都默认为检索结果就危险了。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， 理解这个问题的起点，当模型被追问具体出处时 ，