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