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