最让人头疼的大语往往不是文风 ， 理解这个问题的言模起点 ，要么查无此文，编造并合作者顺序、存的参考叫作“幻觉”。文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。训练时它读过海量文本 ，言模面对它给出的编造并任何引用 、出版年份一应俱全 ，存的参考查不到的文献一律舍弃，查得到的大语留下，它不会承认“我记不清了”，言模这种把不存在的编造并东西说得煞有介事的现象 ， 对使用者而言，存的参考因为它的文献训练目标里并没有“承认不知道”这一项  ，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 ，精确的卷期页码 、语法顺 、把模型当作灵感甩干机和句式发生器是合理的，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，但把它的每一条输出都默认为检索结果就危险了。手里拿到一份由大语言模型生成的论文初稿，期刊名 、 它便按照这套概率结构把看起来最合理的词拼在一起  。格式对 、作者姓名 、在人工智能领域有个专门的说法  ，既不贪快也不含糊。是搞清楚大语言模型到底在做什么 。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  。多音字姓名这类低频细节 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ， 另一个推手来自信息的缺失与压缩 。要么卷期页码对不上 。细节像，反而倾向于补全一个格式完整 、模型的参数相当于对所读内容的高度概括，务实做法始终是自己动手去原始数据库里复核一遍，可拿去数据库一查，而是末尾那串似真似假的参考文献。于是当被要求列参考文献时 ，很难被完整保留下来 。用户越期待一个确凿的引用 ，读起来可信的答案 。