在大型语言模型（LLM）逐渐成为在线文章的主要生成者时，这些文章往往会被后续模型再次作为输入。这样的循环把单次回答与后续生成可用的信息联系起来。我们关注一个关键区分：文章可以不直接认可错误主张，却保留足以让后者被复现的具体细节。为此我们构建了一个框架，关联主张内容、表达立场以及下游复用，解释在持续混合准确与不准信息的环境下，错误为何会选择性地持久存在。
我们在受控的社区写作实验中，调节已发表文章是否回流为输入，匹配外部信息供给、输入容量和生成量。实验覆盖十二个事实目标和四种生成模型。结果显示，回流会使完整错误主张的出现率在最终轮提升 7.29 个百分点，同时显式认可度下降 8.33 个百分点。不同事实和模型之间的效应存在差异。
随后我们采用配对干预，将可复现的错误细节在固定历史中抽象化，同时保留正确内容和围绕的争议。评估表明，除一个用于开发引用的目标外，错误复现率基本保持不变，仅在该目标上出现局部下降。
这些发现表明，错误的持久性与写作过程中的信息可得性紧密相连，提示需要同时评估模型到底认可了什么，以及它们的出版物向后续作者提供了哪些信息。
点评