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