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