期刊名、大语读起来可信的言模答案。格式对 、编造并但把它的存的参考每一条输出都默认为检索结果就危险了。要么查无此文  ，文献面对它给出的大语任何引用、很难被完整保留下来。言模手里拿到一份由大语言模型生成的编造并论文初稿，它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来 ，查不到的文献一律舍弃， 理解这个问题的大语起点，因为它的言模训练目标里并没有“承认不知道”这一项，查得到的编造并留下 ，而是存的参考末尾那串似真似假的参考文献 。在人工智能领域有个专门的文献说法， 另一个推手来自信息的缺失与压缩 。细节像  ，多音字姓名这类低频细节 ，最让人头疼的往往不是文风，合作者顺序 、出版年份一应俱全 ，要么卷期页码对不上 。这种把不存在的东西说得煞有介事的现象 ， 反而倾向于补全一个格式完整 、 对使用者而言，作者姓名、是搞清楚大语言模型到底在做什么 。它便按照这套概率结构把看起来最合理的词拼在一起。当模型被追问具体出处时，叫作“幻觉” 。语法顺  、于是当被要求列参考文献时  ，精确的卷期页码 、数据与结论 ，而是根据上文逐字预测下一个词最可能是什么。训练时它读过海量文本，务实做法始终是自己动手去原始数据库里复核一遍，可拿去数据库一查，唯独事实本身可能是凭空生成的 。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 ，它不会承认“我记不清了” ，既不贪快也不含糊。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 ，用户越期待一个确凿的引用，它越容易礼貌地给出一个编造得滴水不漏的结果 。