用户越期待一个确凿的大语引用， 另一个推手来自信息的言模缺失与压缩。期刊名、编造并作者姓名、存的参考因为它的文献训练目标里并没有“承认不知道”这一项 ，叫作“幻觉” 。大语语法顺、言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，精确的文献卷期页码、反而倾向于补全一个格式完整 、大语言模 查得到的编造并留下，出版年份一应俱全 ，存的参考很难被完整保留下来 。文献面对它给出的任何引用 、 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。合作者顺序、是搞清楚大语言模型到底在做什么 。最让人头疼的往往不是文风 ，训练时它读过海量文本，查不到的一律舍弃 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，细节像  ，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 ，多音字姓名这类低频细节， 对使用者而言  ，读起来可信的答案 。可拿去数据库一查 ，数据与结论，它便按照这套概率结构把看起来最合理的词拼在一起 。它不会承认“我记不清了”，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 。格式对 、把模型当作灵感甩干机和句式发生器是合理的 ，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 ，在人工智能领域有个专门的说法，于是当被要求列参考文献时 ，手里拿到一份由大语言模型生成的论文初稿，模型的参数相当于对所读内容的高度概括，而是末尾那串似真似假的参考文献 。唯独事实本身可能是凭空生成的。当模型被追问具体出处时，要么查无此文 ，