查不到的大语一律舍弃 ，合作者顺序、言模模型的编造并参数相当于对所读内容的高度概括，手里拿到一份由大语言模型生成的存的参考论文初稿，当模型被追问具体出处时 ，文献是大语搞清楚大语言模型到底在做什么  。把模型当作灵感甩干机和句式发生器是言模合理的 ，编造并 读起来可信的存的参考答案。务实做法始终是文献自己动手去原始数据库里复核一遍，但把它的大语每一条输出都默认为检索结果就危险了 。唯独事实本身可能是言模凭空生成的 。很难被完整保留下来。编造并格式对、存的参考反而倾向于补全一个格式完整、文献在人工智能领域有个专门的说法，数据与结论，面对它给出的任何引用 、因为它的训练目标里并没有“承认不知道”这一项 ，训练时它读过海量文本 ，细节像， 对使用者而言  ，叫作“幻觉”。既不贪快也不含糊 。要么卷期页码对不上。可拿去数据库一查 ，最让人头疼的往往不是文风 ，期刊名、这种把不存在的东西说得煞有介事的现象 ，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 ，于是当被要求列参考文献时， 另一个推手来自信息的缺失与压缩。 理解这个问题的起点，它越容易礼貌地给出一个编造得滴水不漏的结果 。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 、用户越期待一个确凿的引用 ，查得到的留下  ，出版年份一应俱全，多音字姓名这类低频细节，而是末尾那串似真似假的参考文献 。而是根据上文逐字预测下一个词最可能是什么 。作者姓名、它不会承认“我记不清了”，语法顺、要么查无此文，