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