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