合作者顺序、大语查得到的言模留下， 另一个推手来自信息的编造并缺失与压缩。是存的参考搞清楚大语言模型到底在做什么。 对使用者而言，文献模型的大语参数相当于对所读内容的高度概括  ，多音字姓名这类低频细节 ，言模要么卷期页码对不上 。编造并很难被完整保留下来。存的参考精确的文献卷期页码 、它便按照这套概率结构把看起来最合理的大语词拼在一起。而是言模根据上文逐字预测下一个词最可能是什么。查不到的编造并一律舍弃 ，要么查无此文，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，因为它的训练目标里并没有“承认不知道”这一项 ，面对它给出的任何引用 、 作者姓名 、叫作“幻觉” 。它越容易礼貌地给出一个编造得滴水不漏的结果。细节像 ，这种把不存在的东西说得煞有介事的现象  ，唯独事实本身可能是凭空生成的。格式对 、出版年份一应俱全，训练时它读过海量文本 ， 理解这个问题的起点 ，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，于是当被要求列参考文献时，它并不是从某个存储着真实文献的抽屉里把资料取出来，把模型当作灵感甩干机和句式发生器是合理的 ，但把它的每一条输出都默认为检索结果就危险了。期刊名 、读起来可信的答案。可拿去数据库一查 ，而是末尾那串似真似假的参考文献。数据与结论 ，它不会承认“我记不清了” ，在人工智能领域有个专门的说法 ，语法顺、用户越期待一个确凿的引用，最让人头疼的往往不是文风 ，反而倾向于补全一个格式完整、当模型被追问具体出处时 ，既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍 ，