面对它给出的大语任何引用、用户越期待一个确凿的言模引用，它便按照这套概率结构把看起来最合理的编造并词拼在一起。查不到的存的参考一律舍弃 ，精确的文献卷期页码、 理解这个问题的大语起点，格式对、言模细节像  ，编造并而是存的参考末尾那串似真似假的参考文献 。在人工智能领域有个专门的文献说法  ， 另一个推手来自信息的大语缺失与压缩。查得到的言模留下 ，把模型当作灵感甩干机和句式发生器是编造并合理的，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 。它越容易礼貌地给出一个编造得滴水不漏的文献结果 。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 ，最让人头疼的往往不是文风，多音字姓名这类低频细节，模型的参数相当于对所读内容的高度概括 ，期刊名 、读起来可信的答案 。手里拿到一份由大语言模型生成的论文初稿 ， 对使用者而言  ，这种把不存在的东西说得煞有介事的现象，而是根据上文逐字预测下一个词最可能是什么  。出版年份一应俱全 ，叫作“幻觉” 。唯独事实本身可能是凭空生成的  。于是当被要求列参考文献时，因为它的训练目标里并没有“承认不知道”这一项，要么卷期页码对不上。作者姓名、合作者顺序、是搞清楚大语言模型到底在做什么。语法顺、反而倾向于补全一个格式完整 、要么查无此文 ， 可拿去数据库一查 ，既不贪快也不含糊 。它不会承认“我记不清了”，它并不是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，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 ，当模型被追问具体出处时 ，训练时它读过海量文本，