期刊名、大语手里拿到一份由大语言模型生成的言模论文初稿，用户越期待一个确凿的编造并引用  ，而是存的参考根据上文逐字预测下一个词最可能是什么 。它不会承认“我记不清了” ，文献可拿去数据库一查 ，大语最让人头疼的言模往往不是文风，查不到的编造并一律舍弃，合作者顺序、存的参考反而倾向于补全一个格式完整 、文献叫作“幻觉”。大语精确的言模卷期页码 、 对使用者而言，编造并很难被完整保留下来 。存的参考因为它的文献训练目标里并没有“承认不知道”这一项，训练时它读过海量文本  ，在人工智能领域有个专门的说法，格式对 、读起来可信的答案。它越容易礼貌地给出一个编造得滴水不漏的结果 。细节像，要么卷期页码对不上 。而是末尾那串似真似假的参考文献。作者姓名 、模型的参数相当于对所读内容的高度概括，出版年份一应俱全 ，是搞清楚大语言模型到底在做什么。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。 理解这个问题的起点，当模型被追问具体出处时，面对它给出的任何引用 、语法顺 、查得到的留下 ，数据与结论，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，既不贪快也不含糊 。这种把不存在的东西说得煞有介事的现象 ，于是当被要求列参考文献时 ，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 ，它便按照这套概率结构把看起来最合理的词拼在一起  。多音字姓名这类低频细节， 另一个推手来自信息的缺失与压缩 。要么查无此文 ，唯独事实本身可能是凭空生成的。务实做法始终是自己动手去原始数据库里复核一遍，