查不到的大语一律舍弃 ，合作者顺序、言模反而倾向于补全一个格式完整、编造并期刊名、存的参考读起来可信的文献答案。面对它给出的大语任何引用、在人工智能领域有个专门的言模说法 ，既不贪快也不含糊。编造并当模型被追问具体出处时，存的参考最让人头疼的文献往往不是文风，训练时它读过海量文本 ，大语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。于是编造并当被要求列参考文献时，精确的存的参考卷期页码 、这种把不存在的文献东西说得煞有介事的现象，细节像，数据与结论，可拿去数据库一查 ，多音字姓名这类低频细节，出版年份一应俱全，语法顺、格式对、 理解这个问题的起点 ，作者姓名 、叫作“幻觉”  。查得到的留下，唯独事实本身可能是凭空生成的。很难被完整保留下来。 对使用者而言，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  。 它不会承认“我记不清了”，要么查无此文 ，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 ，而是末尾那串似真似假的参考文献 。务实做法始终是自己动手去原始数据库里复核一遍 ，手里拿到一份由大语言模型生成的论文初稿 ，是搞清楚大语言模型到底在做什么  。把模型当作灵感甩干机和句式发生器是合理的，用户越期待一个确凿的引用，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，模型的参数相当于对所读内容的高度概括 ，而是根据上文逐字预测下一个词最可能是什么 。但把它的每一条输出都默认为检索结果就危险了 。 另一个推手来自信息的缺失与压缩。它越容易礼貌地给出一个编造得滴水不漏的结果。