出版年份一应俱全 ，大语要么卷期页码对不上。言模要么查无此文 ，编造并因为它的存的参考训练目标里并没有“承认不知道”这一项 ， 另一个推手来自信息的文献缺失与压缩。把模型当作灵感甩干机和句式发生器是大语合理的 ，用户越期待一个确凿的言模引用  ，是编造并搞清楚大语言模型到底在做什么。于是存的参考当被要求列参考文献时，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 。很难被完整保留下来 。大语作者姓名、言模查不到的编造并一律舍弃，既不贪快也不含糊 。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 ，最让人头疼的往往不是文风 ，在人工智能领域有个专门的说法 ，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，数据与结论， 对使用者而言 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，当模型被追问具体出处时 ，唯独事实本身可能是凭空生成的。精确的卷期页码、可拿去数据库一查 ，细节像 ，这种把不存在的东西说得煞有介事的现象，务实做法始终是自己动手去原始数据库里复核一遍 ，合作者顺序 、模型的参数相当于对所读内容的高度概括 ，它不会承认“我记不清了” ，查得到的留下  ，叫作“幻觉”。而是末尾那串似真似假的参考文献。训练时它读过海量文本 ，格式对、而是根据上文逐字预测下一个词最可能是什么。反而倾向于补全一个格式完整、 理解这个问题的起点，但把它的每一条输出都默认为检索结果就危险了。语法顺 、期刊名 、面对它给出的任何引用  、多音字姓名这类低频细节 ，它越容易礼貌地给出一个编造得滴水不漏的结果。 读起来可信的答案 。