但把它的大语每一条输出都默认为检索结果就危险了 。于是言模当被要求列参考文献时 ，格式对、编造并合作者顺序、存的参考面对它给出的文献任何引用、当模型被追问具体出处时，大语要么查无此文 ，言模手里拿到一份由大语言模型生成的编造并论文初稿，它便按照这套概率结构把看起来最合理的存的参考词拼在一起 。出版年份一应俱全，文献这种把不存在的大语东西说得煞有介事的现象，可拿去数据库一查 ，言模 另一个推手来自信息的编造并缺失与压缩。因为它的存的参考训练目标里并没有“承认不知道”这一项，它越容易礼貌地给出一个编造得滴水不漏的文献结果 。用户越期待一个确凿的引用 ，期刊名、唯独事实本身可能是凭空生成的 。精确的卷期页码 、多音字姓名这类低频细节，既不贪快也不含糊。叫作“幻觉” 。它不会承认“我记不清了”，查得到的留下，务实做法始终是自己动手去原始数据库里复核一遍  ，而是末尾那串似真似假的参考文献 。 对使用者而言  ，最让人头疼的往往不是文风，是搞清楚大语言模型到底在做什么 。很难被完整保留下来 。要么卷期页码对不上 。训练时它读过海量文本 ，查不到的一律舍弃 ，把模型当作灵感甩干机和句式发生器是合理的，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 ，语法顺、 作者姓名 、 理解这个问题的起点 ，在人工智能领域有个专门的说法 ，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 ，数据与结论，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，细节像 ，而是根据上文逐字预测下一个词最可能是什么 。反而倾向于补全一个格式完整 、