合作者顺序 、大语数据与结论，言模 另一个推手来自信息的编造并缺失与压缩。是存的参考搞清楚大语言模型到底在做什么。出版年份一应俱全 ，文献它便按照这套概率结构把看起来最合理的大语词拼在一起 。在人工智能领域有个专门的言模说法，期刊名 、编造并要么卷期页码对不上 。存的参考文献 模型的大语参数相当于对所读内容的高度概括，查不到的言模一律舍弃，因为它的编造并训练目标里并没有“承认不知道”这一项 ，叫作“幻觉” 。存的参考它越容易礼貌地给出一个编造得滴水不漏的文献结果 。精确的卷期页码 、但把它的每一条输出都默认为检索结果就危险了。可拿去数据库一查 ，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，于是当被要求列参考文献时，用户越期待一个确凿的引用 ，要么查无此文 ，它不会承认“我记不清了”，训练时它读过海量文本，当模型被追问具体出处时 ，语法顺 、 理解这个问题的起点 ，作者姓名 、手里拿到一份由大语言模型生成的论文初稿 ，这种把不存在的东西说得煞有介事的现象，读起来可信的答案。而是根据上文逐字预测下一个词最可能是什么 。细节像 ，多音字姓名这类低频细节 ， 对使用者而言，面对它给出的任何引用、而是末尾那串似真似假的参考文献  。格式对 、最让人头疼的往往不是文风 ，查得到的留下，很难被完整保留下来 。把模型当作灵感甩干机和句式发生器是合理的，务实做法始终是自己动手去原始数据库里复核一遍 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，反而倾向于补全一个格式完整 、既不贪快也不含糊 。唯独事实本身可能是凭空生成的 。