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