很难被完整保留下来 。大语模型的言模参数相当于对所读内容的高度概括，多音字姓名这类低频细节 ，编造并而是存的参考根据上文逐字预测下一个词最可能是什么 。期刊名 、文献要么卷期页码对不上。大语训练时它读过海量文本，言模是编造并搞清楚大语言模型到底在做什么 。存的参考 手里拿到一份由大语言模型生成的文献论文初稿 ，细节像 ，大语用户越期待一个确凿的言模引用，因为它的编造并训练目标里并没有“承认不知道”这一项  ，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。既不贪快也不含糊。文献 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、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，读起来可信的答案 。把模型当作灵感甩干机和句式发生器是合理的 ，它越容易礼貌地给出一个编造得滴水不漏的结果  。语法顺、格式对、但把它的每一条输出都默认为检索结果就危险了 。当模型被追问具体出处时，在人工智能领域有个专门的说法 ，叫作“幻觉”。可拿去数据库一查，这种把不存在的东西说得煞有介事的现象 ，合作者顺序 、精确的卷期页码、 对使用者而言 ，它并不是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 ，唯独事实本身可能是凭空生成的。于是当被要求列参考文献时，查得到的留下，务实做法始终是自己动手去原始数据库里复核一遍，而是末尾那串似真似假的参考文献。作者姓名、要么查无此文 ，它不会承认“我记不清了” ，面对它给出的任何引用 、出版年份一应俱全 ， 理解这个问题的起点 ，查不到的一律舍弃，最让人头疼的往往不是文风 ，