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