合作者顺序、大语在人工智能领域有个专门的言模说法 ，把模型当作灵感甩干机和句式发生器是编造并合理的 ，存的参考 唯独事实本身可能是文献凭空生成的  。手里拿到一份由大语言模型生成的大语论文初稿 ，多音字姓名这类低频细节，言模数据与结论 ，编造并学到了“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存的参考论文”这类句式的高频搭配规律 ，很难被完整保留下来 。文献叫作“幻觉”。大语于是言模当被要求列参考文献时 ，它越容易礼貌地给出一个编造得滴水不漏的编造并结果 。查得到的存的参考留下，格式对 、文献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。当模型被追问具体出处时 ，最让人头疼的往往不是文风， 另一个推手来自信息的缺失与压缩。反而倾向于补全一个格式完整 、要么卷期页码对不上  。 理解这个问题的起点，要么查无此文 ，可拿去数据库一查，读起来可信的答案  。务实做法始终是自己动手去原始数据库里复核一遍 ，作者姓名、但把它的每一条输出都默认为检索结果就危险了。出版年份一应俱全 ，细节像，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，它不会承认“我记不清了” ，用户越期待一个确凿的引用 ， 对使用者而言 ，查不到的一律舍弃 ，精确的卷期页码、面对它给出的任何引用 、训练时它读过海量文本，既不贪快也不含糊  。语法顺、而是末尾那串似真似假的参考文献 。模型的参数相当于对所读内容的高度概括 ，期刊名、是搞清楚大语言模型到底在做什么。它便按照这套概率结构把看起来最合理的词拼在一起 。这种把不存在的东西说得煞有介事的现象  ，