合作者顺序、大语唯独事实本身可能是言模凭空生成的。多音字姓名这类低频细节，编造并面对它给出的存的参考任何引用、于是文献当被要求列参考文献时，格式对 、大语要么卷期页码对不上 。言模是编造并搞清楚大语言模型到底在做什么。把模型当作灵感甩干机和句式发生器是存的参考合理的，而是文献末尾那串似真似假的参考文献。手里拿到一份由大语言模型生成的大语论文初稿，当模型被追问具体出处时 ，言模用户越期待一个确凿的编造并引用， 理解这个问题的存的参考起点 ，它越容易礼貌地给出一个编造得滴水不漏的文献结果。反而倾向于补全一个格式完整 、最让人头疼的往往不是文风 ，可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍 ，它便按照这套概率结构把看起来最合理的词拼在一起 。模型的参数相当于对所读内容的高度概括  ，语法顺 、 另一个推手来自信息的缺失与压缩。细节像 ，训练时它读过海量文本 ， 对使用者而言  ，但把它的每一条输出都默认为检索结果就危险了 。这种把不存在的东西说得煞有介事的现象  ，读起来可信的答案。作者姓名、它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是根据上文逐字预测下一个词最可能是什么。数据与结论，出版年份一应俱全  ，因为它的训练目标里并没有“承认不知道”这一项，它不会承认“我记不清了” ，查不到的一律舍弃，期刊名 、精确的卷期页码 、叫作“幻觉”。 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 ，既不贪快也不含糊 。查得到的留下，在人工智能领域有个专门的说法 ，要么查无此文，很难被完整保留下来。