它越容易礼貌地给出一个编造得滴水不漏的大语结果。 对使用者而言，言模作者姓名、编造并出版年份一应俱全，存的参考精确的文献卷期页码、很难被完整保留下来。大语面对它给出的言模任何引用 、 理解这个问题的编造并起点，这种把不存在的存的参考东西说得煞有介事的现象 ，唯独事实本身可能是文献凭空生成的。因为它的大语训练目标里并没有“承认不知道”这一项，叫作“幻觉”。言模在人工智能领域有个专门的编造并说法 ，可拿去数据库一查 ，存的参考查不到的文献一律舍弃，要么查无此文  ，既不贪快也不含糊。训练时它读过海量文本 ，读起来可信的答案。把模型当作灵感甩干机和句式发生器是合理的 ，手里拿到一份由大语言模型生成的论文初稿 ，合作者顺序 、最让人头疼的往往不是文风 ，当模型被追问具体出处时 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，而是末尾那串似真似假的参考文献。它不会承认“我记不清了”，而是根据上文逐字预测下一个词最可能是什么 。用户越期待一个确凿的引用，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论文”这类句式的高频搭配规律，反而倾向于补全一个格式完整 、多音字姓名这类低频细节 ，期刊名、是搞清楚大语言模型到底在做什么。数据与结论 ，查得到的留下  ，但把它的每一条输出都默认为检索结果就危险了 。语法顺、 模型的参数相当于对所读内容的高度概括，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，细节像，格式对 、 另一个推手来自信息的缺失与压缩。务实做法始终是自己动手去原始数据库里复核一遍，要么卷期页码对不上 。