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