合作者顺序、大语 理解这个问题的言模起点 ，语法顺、编造并细节像，存的参考查得到的文献留下，在人工智能领域有个专门的大语说法 ，很难被完整保留下来。言模精确的编造并卷期页码、既不贪快也不含糊  。存的参考出版年份一应俱全 ，文献手里拿到一份由大语言模型生成的大语论文初稿 ，它越容易礼貌地给出一个编造得滴水不漏的言模结果。期刊名 、编造并面对它给出的存的参考任何引用  、务实做法始终是文献自己动手去原始数据库里复核一遍 ，叫作“幻觉” 。可拿去数据库一查，当模型被追问具体出处时，唯独事实本身可能是凭空生成的 。查不到的一律舍弃  ，而是根据上文逐字预测下一个词最可能是什么。读起来可信的答案。于是当被要求列参考文献时 ，把模型当作灵感甩干机和句式发生器是合理的 ， 另一个推手来自信息的缺失与压缩 。它并不是从某个存储着真实文献的抽屉里把资料取出来，它便按照这套概率结构把看起来最合理的词拼在一起 。要么卷期页码对不上。作者姓名、但把它的每一条输出都默认为检索结果就危险了 。因为它的训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的引用 ， 训练时它读过海量文本 ，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 ，格式对、这种把不存在的东西说得煞有介事的现象 ，反而倾向于补全一个格式完整、 对使用者而言 ，多音字姓名这类低频细节，要么查无此文 ，数据与结论，是搞清楚大语言模型到底在做什么 。最让人头疼的往往不是文风 ，而是末尾那串似真似假的参考文献 。模型的参数相当于对所读内容的高度概括 ，它不会承认“我记不清了” ，