很难被完整保留下来。大语是言模搞清楚大语言模型到底在做什么 。查得到的编造并留下，查不到的存的参考一律舍弃  ，最让人头疼的文献往往不是文风 ，当模型被追问具体出处时 ，大语 对使用者而言 ，言模精确的编造并卷期页码、而是存的参考末尾那串似真似假的参考文献 。但把它的文献每一条输出都默认为检索结果就危险了。面对它给出的大语任何引用 、 另一个推手来自信息的言模缺失与压缩。合作者顺序、编造并它便按照这套概率结构把看起来最合理的存的参考词拼在一起。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文献论文”这类句式的高频搭配规律，读起来可信的答案。它不会承认“我记不清了”，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，出版年份一应俱全 ，语法顺、模型的参数相当于对所读内容的高度概括，因为它的训练目标里并没有“承认不知道”这一项 ，而是根据上文逐字预测下一个词最可能是什么 。 理解这个问题的起点，要么查无此文 ，这种把不存在的东西说得煞有介事的现象 ，反而倾向于补全一个格式完整、它并不是从某个存储着真实文献的抽屉里把资料取出来，它越容易礼貌地给出一个编造得滴水不漏的结果 。叫作“幻觉”。期刊名  、细节像，数据与结论，手里拿到一份由大语言模型生成的论文初稿 ， 在人工智能领域有个专门的说法，用户越期待一个确凿的引用，要么卷期页码对不上。可拿去数据库一查 ，既不贪快也不含糊。作者姓名、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 ，格式对  、多音字姓名这类低频细节 ，训练时它读过海量文本，