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