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