很难被完整保留下来 。大语可拿去数据库一查 ，言模务实做法始终是编造并自己动手去原始数据库里复核一遍，模型的存的参考参数相当于对所读内容的高度概括 ， 另一个推手来自信息的文献缺失与压缩  。用户越期待一个确凿的大语引用，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，期刊名、编造并是存的参考搞清楚大语言模型到底在做什么。查不到的文献一律舍弃，反而倾向于补全一个格式完整、大语在人工智能领域有个专门的言模说法，当模型被追问具体出处时  ，编造并 对使用者而言 ，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，最让人头疼的往往不是文风  ，于是当被要求列参考文献时 ，合作者顺序、但把它的每一条输出都默认为检索结果就危险了 。查得到的留下 ，多音字姓名这类低频细节，要么查无此文，它不会承认“我记不清了”，细节像，格式对 、而是末尾那串似真似假的参考文献。这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项，唯独事实本身可能是凭空生成的。它便按照这套概率结构把看起来最合理的词拼在一起。数据与结论 ，要么卷期页码对不上。 理解这个问题的起点 ，既不贪快也不含糊 。出版年份一应俱全，语法顺 、叫作“幻觉”。精确的卷期页码  、 作者姓名 、把模型当作灵感甩干机和句式发生器是合理的 ，而是根据上文逐字预测下一个词最可能是什么  。训练时它读过海量文本  ，面对它给出的任何引用 、它越容易礼貌地给出一个编造得滴水不漏的结果。读起来可信的答案 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，