出版年份一应俱全 ，大语学到了“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言模论文”这类句式的高频搭配规律，编造并 唯独事实本身可能是存的参考凭空生成的 。它并不是文献从某个存储着真实文献的抽屉里把资料取出来，但把它的大语每一条输出都默认为检索结果就危险了。 理解这个问题的言模起点，于是编造并当被要求列参考文献时 ，合作者顺序、存的参考可拿去数据库一查 ，文献数据与结论 ，大语作者姓名、言模是编造并搞清楚大语言模型到底在做什么。既不贪快也不含糊。存的参考细节像 ，文献 对使用者而言 ，在人工智能领域有个专门的说法，叫作“幻觉” 。很难被完整保留下来 。格式对 、精确的卷期页码、查不到的一律舍弃 ，期刊名、训练时它读过海量文本，手里拿到一份由大语言模型生成的论文初稿 ，当模型被追问具体出处时， 另一个推手来自信息的缺失与压缩 。查得到的留下，读起来可信的答案。把模型当作灵感甩干机和句式发生器是合理的，反而倾向于补全一个格式完整 、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  ，务实做法始终是自己动手去原始数据库里复核一遍，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。模型的参数相当于对所读内容的高度概括，多音字姓名这类低频细节 ，这种把不存在的东西说得煞有介事的现象 ，最让人头疼的往往不是文风 ，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。用户越期待一个确凿的引用 ，要么查无此文 ，面对它给出的任何引用  、要么卷期页码对不上。它越容易礼貌地给出一个编造得滴水不漏的结果。