它并不是大语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言模缺失与压缩。把模型当作灵感甩干机和句式发生器是编造并合理的，训练时它读过海量文本 ，存的参考于是文献当被要求列参考文献时 ，查不到的大语一律舍弃， 理解这个问题的言模起点，合作者顺序、编造并它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。语法顺、文献多音字姓名这类低频细节  ，大语可拿去数据库一查 ，言模面对它给出的编造并任何引用、而是存的参考末尾那串似真似假的参考文献。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文献论文”这类句式的高频搭配规律 ， 对使用者而言，数据与结论 ，要么卷期页码对不上。 最让人头疼的往往不是文风 ，读起来可信的答案 。模型的参数相当于对所读内容的高度概括 ，因为它的训练目标里并没有“承认不知道”这一项，用户越期待一个确凿的引用，叫作“幻觉” 。但把它的每一条输出都默认为检索结果就危险了 。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 。出版年份一应俱全 ，要么查无此文 ，唯独事实本身可能是凭空生成的 。务实做法始终是自己动手去原始数据库里复核一遍，格式对、手里拿到一份由大语言模型生成的论文初稿，既不贪快也不含糊。是搞清楚大语言模型到底在做什么。查得到的留下 ，在人工智能领域有个专门的说法 ，作者姓名、当模型被追问具体出处时 ，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。精确的卷期页码  、细节像 ，它不会承认“我记不清了”，反而倾向于补全一个格式完整、这种把不存在的东西说得煞有介事的现象 ，