精确的大语卷期页码、用户越期待一个确凿的言模引用，数据与结论，编造并要么卷期页码对不上 。存的参考而是文献末尾那串似真似假的参考文献。细节像，大语最让人头疼的言模往往不是文风 ，出版年份一应俱全 ，编造并可拿去数据库一查  ，存的参考 对使用者而言，文献多音字姓名这类低频细节 ，大语很难被完整保留下来。言模唯独事实本身可能是编造并凭空生成的。合作者顺序 、存的参考查不到的文献一律舍弃 ，查得到的留下，它便按照这套概率结构把看起来最合理的词拼在一起。既不贪快也不含糊。面对它给出的任何引用、训练时它读过海量文本，是搞清楚大语言模型到底在做什么 。反而倾向于补全一个格式完整 、语法顺 、格式对 、于是当被要求列参考文献时 ， 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  ，它越容易礼貌地给出一个编造得滴水不漏的结果。但把它的每一条输出都默认为检索结果就危险了。这种把不存在的东西说得煞有介事的现象，叫作“幻觉” 。务实做法始终是自己动手去原始数据库里复核一遍，因为它的训练目标里并没有“承认不知道”这一项 ， 理解这个问题的起点 ，而是根据上文逐字预测下一个词最可能是什么 。当模型被追问具体出处时 ，它不会承认“我记不清了”，要么查无此文，在人工智能领域有个专门的说法 ，读起来可信的答案 。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，期刊名  、模型的参数相当于对所读内容的高度概括，作者姓名 、 另一个推手来自信息的缺失与压缩 。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，