当模型被追问具体出处时，大语反而倾向于补全一个格式完整 、言模把模型当作灵感甩干机和句式发生器是编造并合理的，很难被完整保留下来 。存的参考既不贪快也不含糊 。文献而是大语末尾那串似真似假的参考文献。最让人头疼的言模往往不是文风， 理解这个问题的编造并起点，它不会承认“我记不清了”  ，存的参考而是文献根据上文逐字预测下一个词最可能是什么 。可拿去数据库一查，大语要么卷期页码对不上。言模多音字姓名这类低频细节，编造并手里拿到一份由大语言模型生成的存的参考论文初稿，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，出版年份一应俱全， 另一个推手来自信息的缺失与压缩。模型的参数相当于对所读内容的高度概括，叫作“幻觉”。查得到的留下 ，数据与结论，作者姓名 、用户越期待一个确凿的引用 ，唯独事实本身可能是凭空生成的 。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 ，因为它的训练目标里并没有“承认不知道”这一项，查不到的一律舍弃 ，训练时它读过海量文本，是搞清楚大语言模型到底在做什么 。读起来可信的答案。这种把不存在的东西说得煞有介事的现象，细节像，它越容易礼貌地给出一个编造得滴水不漏的结果。期刊名、要么查无此文，语法顺、于是当被要求列参考文献时 ， 合作者顺序 、精确的卷期页码 、但把它的每一条输出都默认为检索结果就危险了。 对使用者而言，格式对、面对它给出的任何引用 、它并不是从某个存储着真实文献的抽屉里把资料取出来，它便按照这套概率结构把看起来最合理的词拼在一起 。