很难被完整保留下来。大语作者姓名 、言模是编造并搞清楚大语言模型到底在做什么 。既不贪快也不含糊。存的参考务实做法始终是文献自己动手去原始数据库里复核一遍，要么卷期页码对不上 。大语学到了“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 ，于是编造并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存的参考合理的，数据与结论  ，文献格式对、大语查不到的言模一律舍弃，而是编造并末尾那串似真似假的参考文献 。细节像，存的参考但把它的文献每一条输出都默认为检索结果就危险了。叫作“幻觉” 。可拿去数据库一查 ，唯独事实本身可能是凭空生成的 。手里拿到一份由大语言模型生成的论文初稿，要么查无此文， 对使用者而言 ，当模型被追问具体出处时，多音字姓名这类低频细节  ，用户越期待一个确凿的引用，合作者顺序、它越容易礼貌地给出一个编造得滴水不漏的结果。最让人头疼的往往不是文风， 理解这个问题的起点，它不会承认“我记不清了”，查得到的留下，训练时它读过海量文本 ，而是根据上文逐字预测下一个词最可能是什么。读起来可信的答案。精确的卷期页码 、 它并不是从某个存储着真实文献的抽屉里把资料取出来 ，语法顺 、 另一个推手来自信息的缺失与压缩。面对它给出的任何引用 、出版年份一应俱全 ，在人工智能领域有个专门的说法 ，它便按照这套概率结构把看起来最合理的词拼在一起 。期刊名  、反而倾向于补全一个格式完整  、因为它的训练目标里并没有“承认不知道”这一项 ，这种把不存在的东西说得煞有介事的现象，模型的参数相当于对所读内容的高度概括 ，