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