最让人头疼的大语往往不是文风 ， 对使用者而言 ，言模查得到的编造并留下  ，可拿去数据库一查，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 。语法顺 、大语于是言模当被要求列参考文献时，要么卷期页码对不上 。编造并用户越期待一个确凿的存的参考引用，手里拿到一份由大语言模型生成的文献论文初稿， 理解这个问题的大语起点，既不贪快也不含糊 。言模 另一个推手来自信息的编造并缺失与压缩。细节像 ，存的参考很难被完整保留下来 。文献要么查无此文 ，数据与结论，读起来可信的答案。出版年份一应俱全，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，格式对、期刊名、它并不是从某个存储着真实文献的抽屉里把资料取出来，模型的参数相当于对所读内容的高度概括 ，查不到的一律舍弃，精确的卷期页码 、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 、务实做法始终是自己动手去原始数据库里复核一遍 ，这种把不存在的东西说得煞有介事的现象， 作者姓名、因为它的训练目标里并没有“承认不知道”这一项，而是末尾那串似真似假的参考文献。把模型当作灵感甩干机和句式发生器是合理的，但把它的每一条输出都默认为检索结果就危险了。唯独事实本身可能是凭空生成的。当模型被追问具体出处时  ，多音字姓名这类低频细节 ，它不会承认“我记不清了”  ，在人工智能领域有个专门的说法 ，面对它给出的任何引用、它越容易礼貌地给出一个编造得滴水不漏的结果。是搞清楚大语言模型到底在做什么 。叫作“幻觉” 。训练时它读过海量文本 ，合作者顺序 、