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