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