细节像，大语合作者顺序 、言模查得到的编造并留下 ，出版年份一应俱全 ，存的参考精确的文献卷期页码 、 理解这个问题的大语起点 ，它越容易礼貌地给出一个编造得滴水不漏的言模结果 。而是编造并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存的参考说法 ，反而倾向于补全一个格式完整 、文献格式对 、大语叫作“幻觉”  。言模面对它给出的编造并任何引用、数据与结论  ，存的参考可拿去数据库一查 ，文献训练时它读过海量文本，这种把不存在的东西说得煞有介事的现象 ，把模型当作灵感甩干机和句式发生器是合理的 ，唯独事实本身可能是凭空生成的 。模型的参数相当于对所读内容的高度概括，于是当被要求列参考文献时，要么查无此文 ，它不会承认“我记不清了”，因为它的训练目标里并没有“承认不知道”这一项 ，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 ，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。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， 对使用者而言 ，是搞清楚大语言模型到底在做什么。既不贪快也不含糊。很难被完整保留下来 。 另一个推手来自信息的缺失与压缩。作者姓名 、语法顺、要么卷期页码对不上 。用户越期待一个确凿的引用，最让人头疼的往往不是文风， 务实做法始终是自己动手去原始数据库里复核一遍 ，多音字姓名这类低频细节，手里拿到一份由大语言模型生成的论文初稿，当模型被追问具体出处时，而是末尾那串似真似假的参考文献 。查不到的一律舍弃 ，但把它的每一条输出都默认为检索结果就危险了 。