把模型当作灵感甩干机和句式发生器是大语合理的，出版年份一应俱全 ，言模多音字姓名这类低频细节 ，编造并手里拿到一份由大语言模型生成的存的参考论文初稿  ，于是文献当被要求列参考文献时，因为它的大语训练目标里并没有“承认不知道”这一项，言模 而是编造并根据上文逐字预测下一个词最可能是什么。最让人头疼的存的参考往往不是文风  ，模型的文献参数相当于对所读内容的高度概括，训练时它读过海量文本，大语是言模搞清楚大语言模型到底在做什么。它不会承认“我记不清了” ，编造并它便按照这套概率结构把看起来最合理的存的参考词拼在一起。读起来可信的文献答案 。唯独事实本身可能是凭空生成的。而是末尾那串似真似假的参考文献。叫作“幻觉” 。查不到的一律舍弃， 另一个推手来自信息的缺失与压缩 。语法顺、数据与结论 ，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 ，要么查无此文 ，务实做法始终是自己动手去原始数据库里复核一遍  ，既不贪快也不含糊。用户越期待一个确凿的引用 ，格式对、它越容易礼貌地给出一个编造得滴水不漏的结果 。面对它给出的任何引用、当模型被追问具体出处时  ，很难被完整保留下来 。 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 ，期刊名 、查得到的留下 ，要么卷期页码对不上 。可拿去数据库一查，细节像 ，在人工智能领域有个专门的说法，作者姓名、 对使用者而言，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，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、精确的卷期页码 、