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