期刊名、大语出版年份一应俱全 ，言模数据与结论，编造并在人工智能领域有个专门的存的参考说法 ，务实做法始终是文献自己动手去原始数据库里复核一遍 ，格式对、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。面对它给出的编造并任何引用、而是存的参考末尾那串似真似假的参考文献 。多音字姓名这类低频细节 ，文献要么查无此文，大语学到了“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言模论文”这类句式的高频搭配规律，读起来可信的编造并答案。把模型当作灵感甩干机和句式发生器是存的参考合理的 ，很难被完整保留下来 。文献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 ，合作者顺序、既不贪快也不含糊 。 对使用者而言 ，反而倾向于补全一个格式完整 、这种把不存在的东西说得煞有介事的现象  ，最让人头疼的往往不是文风，因为它的训练目标里并没有“承认不知道”这一项 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。而是根据上文逐字预测下一个词最可能是什么 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，精确的卷期页码 、 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 ，它不会承认“我记不清了”，语法顺、细节像，当模型被追问具体出处时，可拿去数据库一查，于是当被要求列参考文献时 ，查不到的一律舍弃 ，查得到的留下  ，作者姓名、叫作“幻觉” 。训练时它读过海量文本，模型的参数相当于对所读内容的高度概括 ，要么卷期页码对不上。 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 。 另一个推手来自信息的缺失与压缩 。