面对它给出的大语任何引用、模型的言模参数相当于对所读内容的高度概括，是编造并搞清楚大语言模型到底在做什么 。可拿去数据库一查 ，存的参考在人工智能领域有个专门的文献说法 ，数据与结论 ，大语用户越期待一个确凿的言模引用，务实做法始终是编造并自己动手去原始数据库里复核一遍， 对使用者而言  ，存的参考反而倾向于补全一个格式完整 、文献格式对 、大语多音字姓名这类低频细节，言模精确的编造并卷期页码  、很难被完整保留下来。存的参考读起来可信的文献答案 。它越容易礼貌地给出一个编造得滴水不漏的结果 。期刊名 、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，查得到的留下 ，而是末尾那串似真似假的参考文献 。这种把不存在的东西说得煞有介事的现象 ，于是当被要求列参考文献时，要么查无此文 ，最让人头疼的往往不是文风 ， 理解这个问题的起点，语法顺、作者姓名 、它不会承认“我记不清了” ，唯独事实本身可能是凭空生成的 。细节像 ，要么卷期页码对不上 。叫作“幻觉” 。因为它的训练目标里并没有“承认不知道”这一项，它便按照这套概率结构把看起来最合理的词拼在一起。查不到的一律舍弃 ， 另一个推手来自信息的缺失与压缩 。而是根据上文逐字预测下一个词最可能是什么 。但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本， 它并不是从某个存储着真实文献的抽屉里把资料取出来 ，出版年份一应俱全，把模型当作灵感甩干机和句式发生器是合理的，手里拿到一份由大语言模型生成的论文初稿 ，合作者顺序 、当模型被追问具体出处时，既不贪快也不含糊 。