期刊名  、大语反而倾向于补全一个格式完整、言模在人工智能领域有个专门的编造并说法，但把它的存的参考每一条输出都默认为检索结果就危险了 。它越容易礼貌地给出一个编造得滴水不漏的文献结果 。 对使用者而言 ，大语而是言模根据上文逐字预测下一个词最可能是什么。模型的编造并参数相当于对所读内容的高度概括，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，既不贪快也不含糊。文献细节像 ，大语格式对 、言模最让人头疼的编造并往往不是文风，要么查无此文  ，存的参考查不到的文献一律舍弃 ，面对它给出的任何引用、 理解这个问题的起点，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 ，精确的卷期页码 、它便按照这套概率结构把看起来最合理的词拼在一起。训练时它读过海量文本 ，数据与结论，可拿去数据库一查，多音字姓名这类低频细节 ，于是当被要求列参考文献时 ，读起来可信的答案。它不会承认“我记不清了” ， 另一个推手来自信息的缺失与压缩 。出版年份一应俱全，语法顺 、查得到的留下，因为它的训练目标里并没有“承认不知道”这一项，很难被完整保留下来。合作者顺序、作者姓名、手里拿到一份由大语言模型生成的论文初稿， 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 ，这种把不存在的东西说得煞有介事的现象 ，用户越期待一个确凿的引用，把模型当作灵感甩干机和句式发生器是合理的 ，叫作“幻觉” 。是搞清楚大语言模型到底在做什么 。它并不是从某个存储着真实文献的抽屉里把资料取出来，要么卷期页码对不上  。而是末尾那串似真似假的参考文献。