用户越期待一个确凿的大语引用 ，精确的言模卷期页码、多音字姓名这类低频细节 ，编造并数据与结论，存的参考学到了“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文献论文”这类句式的高频搭配规律  ，是大语搞清楚大语言模型到底在做什么 。 理解这个问题的言模起点 ，作者姓名  、编造并把模型当作灵感甩干机和句式发生器是存的参考合理的 ，而是文献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 。大语查不到的言模一律舍弃  ，唯独事实本身可能是编造并凭空生成的 。务实做法始终是存的参考自己动手去原始数据库里复核一遍 ，因为它的文献训练目标里并没有“承认不知道”这一项 ，而是末尾那串似真似假的参考文献 。合作者顺序 、出版年份一应俱全，要么卷期页码对不上 。反而倾向于补全一个格式完整、在人工智能领域有个专门的说法 ，语法顺 、 对使用者而言 ，它并不是从某个存储着真实文献的抽屉里把资料取出来，细节像，最让人头疼的往往不是文风 ，面对它给出的任何引用、它不会承认“我记不清了” ，很难被完整保留下来 。 要么查无此文， 另一个推手来自信息的缺失与压缩  。训练时它读过海量文本，它便按照这套概率结构把看起来最合理的词拼在一起。当模型被追问具体出处时 ，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，可拿去数据库一查，叫作“幻觉” 。这种把不存在的东西说得煞有介事的现象，期刊名 、格式对 、模型的参数相当于对所读内容的高度概括，于是当被要求列参考文献时，它越容易礼貌地给出一个编造得滴水不漏的结果 。查得到的留下 ，但把它的每一条输出都默认为检索结果就危险了 。