合作者顺序、大语出版年份一应俱全 ，言模数据与结论，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，期刊名、文献唯独事实本身可能是大语凭空生成的 。多音字姓名这类低频细节，言模可拿去数据库一查，编造并查得到的存的参考留下 ，格式对、文献面对它给出的大语任何引用 、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，叫作“幻觉”。编造并是存的参考搞清楚大语言模型到底在做什么。查不到的文献一律舍弃  ，细节像，而是末尾那串似真似假的参考文献。因为它的训练目标里并没有“承认不知道”这一项，反而倾向于补全一个格式完整、它越容易礼貌地给出一个编造得滴水不漏的结果。把模型当作灵感甩干机和句式发生器是合理的，语法顺 、它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用 ，在人工智能领域有个专门的说法 ，读起来可信的答案 。 理解这个问题的起点，它不会承认“我记不清了”，模型的参数相当于对所读内容的高度概括 ，作者姓名 、要么查无此文，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 ，当模型被追问具体出处时 ，既不贪快也不含糊 。务实做法始终是自己动手去原始数据库里复核一遍 ， 另一个推手来自信息的缺失与压缩。而是根据上文逐字预测下一个词最可能是什么 。 但把它的每一条输出都默认为检索结果就危险了 。这种把不存在的东西说得煞有介事的现象， 对使用者而言  ，最让人头疼的往往不是文风，精确的卷期页码、训练时它读过海量文本，很难被完整保留下来 。于是当被要求列参考文献时，要么卷期页码对不上 。