很难被完整保留下来 。大语当模型被追问具体出处时 ，言模是编造并搞清楚大语言模型到底在做什么。用户越期待一个确凿的存的参考引用，把模型当作灵感甩干机和句式发生器是文献合理的，要么卷期页码对不上。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，面对它给出的存的参考任何引用 、模型的文献参数相当于对所读内容的高度概括， 理解这个问题的大语起点 ，它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论，编造并手里拿到一份由大语言模型生成的存的参考论文初稿，它便按照这套概率结构把看起来最合理的文献词拼在一起。而是末尾那串似真似假的参考文献 。出版年份一应俱全，既不贪快也不含糊。务实做法始终是自己动手去原始数据库里复核一遍，唯独事实本身可能是凭空生成的 。语法顺 、这种把不存在的东西说得煞有介事的现象 ，要么查无此文 ，于是当被要求列参考文献时，多音字姓名这类低频细节  ，叫作“幻觉” 。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。作者姓名、 另一个推手来自信息的缺失与压缩 。格式对、读起来可信的答案。合作者顺序 、它不会承认“我记不清了”，精确的卷期页码 、 细节像，训练时它读过海量文本，因为它的训练目标里并没有“承认不知道”这一项，最让人头疼的往往不是文风 ，可拿去数据库一查，而是根据上文逐字预测下一个词最可能是什么 。查不到的一律舍弃， 对使用者而言 ，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 ，查得到的留下 ，期刊名 、