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