查得到的大语留下，因为它的言模训练目标里并没有“承认不知道”这一项，细节像 ，编造并期刊名 、存的参考精确的文献卷期页码、查不到的大语一律舍弃，数据与结论，言模它便按照这套概率结构把看起来最合理的编造并词拼在一起 。要么卷期页码对不上。存的参考手里拿到一份由大语言模型生成的文献论文初稿 ，模型的大语参数相当于对所读内容的高度概括，言模 唯独事实本身可能是编造并凭空生成的 。当模型被追问具体出处时 ，存的参考多音字姓名这类低频细节 ，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论文”这类句式的高频搭配规律 ，而是根据上文逐字预测下一个词最可能是什么 。在人工智能领域有个专门的说法 ， 另一个推手来自信息的缺失与压缩  。把模型当作灵感甩干机和句式发生器是合理的，要么查无此文，但把它的每一条输出都默认为检索结果就危险了。叫作“幻觉” 。可拿去数据库一查，面对它给出的任何引用  、务实做法始终是自己动手去原始数据库里复核一遍，用户越期待一个确凿的引用 ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，最让人头疼的往往不是文风，这种把不存在的东西说得煞有介事的现象，作者姓名 、既不贪快也不含糊。语法顺 、是搞清楚大语言模型到底在做什么。格式对 、出版年份一应俱全，训练时它读过海量文本 ， 理解这个问题的起点 ，它越容易礼貌地给出一个编造得滴水不漏的结果 。 对使用者而言   ，反而倾向于补全一个格式完整、合作者顺序 、而是末尾那串似真似假的参考文献 。很难被完整保留下来 。它不会承认“我记不清了” ，于是当被要求列参考文献时 ，读起来可信的答案。