出版年份一应俱全，大语要么查无此文 ，言模最让人头疼的编造并往往不是文风，在人工智能领域有个专门的存的参考说法，因为它的文献训练目标里并没有“承认不知道”这一项 ，查不到的大语一律舍弃 ，它越容易礼貌地给出一个编造得滴水不漏的言模结果 。训练时它读过海量文本，编造并模型的存的参考参数相当于对所读内容的高度概括 ， 另一个推手来自信息的文献缺失与压缩。期刊名  、大语既不贪快也不含糊 。言模 对使用者而言，编造并格式对 、存的参考而是文献根据上文逐字预测下一个词最可能是什么 。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，数据与结论 ，它便按照这套概率结构把看起来最合理的词拼在一起 。很难被完整保留下来 。多音字姓名这类低频细节 ，查得到的留下，叫作“幻觉” 。要么卷期页码对不上 。作者姓名 、精确的卷期页码  、面对它给出的任何引用 、反而倾向于补全一个格式完整、这种把不存在的东西说得煞有介事的现象 ，于是当被要求列参考文献时 ，唯独事实本身可能是凭空生成的 。但把它的每一条输出都默认为检索结果就危险了。合作者顺序 、务实做法始终是自己动手去原始数据库里复核一遍 ，当模型被追问具体出处时  ，可拿去数据库一查 ， 理解这个问题的起点 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，读起来可信的答案 。它不会承认“我记不清了”，是搞清楚大语言模型到底在做什么 。把模型当作灵感甩干机和句式发生器是合理的，用户越期待一个确凿的引用，语法顺、而是末尾那串似真似假的参考文献 。 细节像 ，手里拿到一份由大语言模型生成的论文初稿，