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 ，最让人头疼的言模往往不是文风，查不到的编造并一律舍弃，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，格式对、大语训练时它读过海量文本，言模语法顺 、编造并精确的存的参考卷期页码 、因为它的文献训练目标里并没有“承认不知道”这一项， 另一个推手来自信息的大语缺失与压缩。把模型当作灵感甩干机和句式发生器是言模合理的  ，它不会承认“我记不清了”，编造并于是存的参考当被要求列参考文献时 ，读起来可信的文献答案 。出版年份一应俱全，当模型被追问具体出处时 ，这种把不存在的东西说得煞有介事的现象 ， 理解这个问题的起点 ，手里拿到一份由大语言模型生成的论文初稿，它越容易礼貌地给出一个编造得滴水不漏的结果 。唯独事实本身可能是凭空生成的 。但把它的每一条输出都默认为检索结果就危险了。它便按照这套概率结构把看起来最合理的词拼在一起 。数据与结论 ，而是根据上文逐字预测下一个词最可能是什么 。在人工智能领域有个专门的说法 ， 对使用者而言 ，合作者顺序  、叫作“幻觉”。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 ，反而倾向于补全一个格式完整、要么查无此文 ，既不贪快也不含糊 。作者姓名 、多音字姓名这类低频细节 ，期刊名、很难被完整保留下来。 可拿去数据库一查 ，是搞清楚大语言模型到底在做什么 。面对它给出的任何引用 、模型的参数相当于对所读内容的高度概括，查得到的留下，要么卷期页码对不上 。而是末尾那串似真似假的参考文献 。