反而倾向于补全一个格式完整、大语精确的言模卷期页码 、模型的编造并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存的参考合理的，出版年份一应俱全 ，文献叫作“幻觉” 。大语它便按照这套概率结构把看起来最合理的言模词拼在一起。期刊名、编造并查得到的存的参考留下 ，既不贪快也不含糊。文献用户越期待一个确凿的大语引用 ，读起来可信的言模答案  。很难被完整保留下来  。编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。要么卷期页码对不上。文献 对使用者而言 ，这种把不存在的东西说得煞有介事的现象，于是当被要求列参考文献时，当模型被追问具体出处时 ， 理解这个问题的起点，但把它的每一条输出都默认为检索结果就危险了。是搞清楚大语言模型到底在做什么。面对它给出的任何引用、它不会承认“我记不清了” ，而是根据上文逐字预测下一个词最可能是什么 。务实做法始终是自己动手去原始数据库里复核一遍，而是末尾那串似真似假的参考文献 。语法顺  、在人工智能领域有个专门的说法  ，多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，作者姓名、训练时它读过海量文本，可拿去数据库一查 ，查不到的一律舍弃 ，合作者顺序、因为它的训练目标里并没有“承认不知道”这一项，数据与结论， 另一个推手来自信息的缺失与压缩 。唯独事实本身可能是凭空生成的。 格式对 、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，细节像，最让人头疼的往往不是文风 ，手里拿到一份由大语言模型生成的论文初稿 ，要么查无此文 ，