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