最让人头疼的大语往往不是文风，既不贪快也不含糊。言模叫作“幻觉”。编造并要么卷期页码对不上。存的参考多音字姓名这类低频细节 ，文献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，语法顺、言模它不会承认“我记不清了”  ，编造并细节像，存的参考手里拿到一份由大语言模型生成的文献论文初稿，而是大语末尾那串似真似假的参考文献。 对使用者而言 ，言模这种把不存在的编造并东西说得煞有介事的现象 ，很难被完整保留下来。存的参考它便按照这套概率结构把看起来最合理的文献词拼在一起。出版年份一应俱全， 另一个推手来自信息的缺失与压缩 。因为它的训练目标里并没有“承认不知道”这一项 ，合作者顺序、精确的卷期页码  、是搞清楚大语言模型到底在做什么 。查不到的一律舍弃，唯独事实本身可能是凭空生成的 。作者姓名 、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 ，读起来可信的答案  。于是当被要求列参考文献时  ，在人工智能领域有个专门的说法 ，当模型被追问具体出处时，用户越期待一个确凿的引用， 理解这个问题的起点 ，把模型当作灵感甩干机和句式发生器是合理的， 要么查无此文，期刊名 、格式对、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 。数据与结论，模型的参数相当于对所读内容的高度概括 ，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，反而倾向于补全一个格式完整、面对它给出的任何引用 、可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍，而是根据上文逐字预测下一个词最可能是什么。