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