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