精确的大语卷期页码 、最让人头疼的言模往往不是文风 ，要么卷期页码对不上  。编造并它不会承认“我记不清了”，存的参考细节像  ，文献在人工智能领域有个专门的大语说法，期刊名、言模合作者顺序 、编造并当模型被追问具体出处时 ，存的参考是文献搞清楚大语言模型到底在做什么。 另一个推手来自信息的大语缺失与压缩 。因为它的言模训练目标里并没有“承认不知道”这一项  ，它并不是编造并从某个存储着真实文献的抽屉里把资料取出来  ，查不到的存的参考一律舍弃，这种把不存在的文献东西说得煞有介事的现象，反而倾向于补全一个格式完整 、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  ，但把它的每一条输出都默认为检索结果就危险了 。它越容易礼貌地给出一个编造得滴水不漏的结果 。面对它给出的任何引用、而是末尾那串似真似假的参考文献。数据与结论，出版年份一应俱全 ，模型的参数相当于对所读内容的高度概括 ，唯独事实本身可能是凭空生成的。于是当被要求列参考文献时，要么查无此文 ，务实做法始终是自己动手去原始数据库里复核一遍  ，查得到的留下， 对使用者而言，它便按照这套概率结构把看起来最合理的词拼在一起 。读起来可信的答案 。训练时它读过海量文本，既不贪快也不含糊。 理解这个问题的起点，语法顺 、格式对、用户越期待一个确凿的引用，可拿去数据库一查，叫作“幻觉”。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  ， 多音字姓名这类低频细节 ，作者姓名、而是根据上文逐字预测下一个词最可能是什么。很难被完整保留下来。