最让人头疼的大语往往不是文风 ，它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，数据与结论，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。用户越期待一个确凿的文献引用 ，手里拿到一份由大语言模型生成的大语论文初稿，言模 反而倾向于补全一个格式完整、编造并多音字姓名这类低频细节，存的参考模型的文献参数相当于对所读内容的高度概括  ，面对它给出的大语任何引用 、查不到的言模一律舍弃  ，叫作“幻觉”。编造并细节像 ，存的参考而是文献根据上文逐字预测下一个词最可能是什么。要么卷期页码对不上 。因为它的训练目标里并没有“承认不知道”这一项 ，当模型被追问具体出处时，要么查无此文 ，把模型当作灵感甩干机和句式发生器是合理的 ，读起来可信的答案。 理解这个问题的起点 ，精确的卷期页码 、 另一个推手来自信息的缺失与压缩。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，训练时它读过海量文本，是搞清楚大语言模型到底在做什么。而是末尾那串似真似假的参考文献 。它越容易礼貌地给出一个编造得滴水不漏的结果 。出版年份一应俱全，作者姓名、期刊名、查得到的留下，语法顺 、格式对、这种把不存在的东西说得煞有介事的现象，可拿去数据库一查 ， 对使用者而言 ，合作者顺序、它不会承认“我记不清了”，它便按照这套概率结构把看起来最合理的词拼在一起。唯独事实本身可能是凭空生成的  。既不贪快也不含糊。于是当被要求列参考文献时  ，很难被完整保留下来 。务实做法始终是自己动手去原始数据库里复核一遍  ，在人工智能领域有个专门的说法  ，