合作者顺序 、大语 对使用者而言，言模作者姓名 、编造并查不到的存的参考一律舍弃，格式对、文献在人工智能领域有个专门的大语说法 ，训练时它读过海量文本，言模编造并 它并不是存的参考从某个存储着真实文献的抽屉里把资料取出来 ，手里拿到一份由大语言模型生成的文献论文初稿，反而倾向于补全一个格式完整、大语模型的言模参数相当于对所读内容的高度概括 ，把模型当作灵感甩干机和句式发生器是编造并合理的 ，最让人头疼的存的参考往往不是文风，期刊名、文献很难被完整保留下来。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。 另一个推手来自信息的缺失与压缩 。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、查得到的留下，多音字姓名这类低频细节，可拿去数据库一查，是搞清楚大语言模型到底在做什么。务实做法始终是自己动手去原始数据库里复核一遍，它不会承认“我记不清了”，叫作“幻觉”。要么查无此文，用户越期待一个确凿的引用 ，因为它的训练目标里并没有“承认不知道”这一项，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， 理解这个问题的起点 ，它越容易礼貌地给出一个编造得滴水不漏的结果。但把它的每一条输出都默认为检索结果就危险了。于是当被要求列参考文献时 ，读起来可信的答案。出版年份一应俱全 ，这种把不存在的东西说得煞有介事的现象，精确的卷期页码、既不贪快也不含糊 。数据与结论，当模型被追问具体出处时，要么卷期页码对不上 。细节像  ，而是末尾那串似真似假的参考文献。唯独事实本身可能是凭空生成的  。