对使用者而言，大语要么查无此文，言模唯独事实本身可能是编造并凭空生成的。手里拿到一份由大语言模型生成的存的参考论文初稿 ，作者姓名、文献要么卷期页码对不上。大语可拿去数据库一查  ，言模这种把不存在的编造并东西说得煞有介事的现象 ，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，文献用户越期待一个确凿的大语引用，面对它给出的言模任何引用、它不会承认“我记不清了”，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，多音字姓名这类低频细节 ，文献它并不是从某个存储着真实文献的抽屉里把资料取出来，因为它的训练目标里并没有“承认不知道”这一项 ，务实做法始终是自己动手去原始数据库里复核一遍 ，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。 精确的卷期页码、而是末尾那串似真似假的参考文献。 理解这个问题的起点 ，数据与结论，很难被完整保留下来 。期刊名、模型的参数相当于对所读内容的高度概括 ，合作者顺序  、而是根据上文逐字预测下一个词最可能是什么。它越容易礼貌地给出一个编造得滴水不漏的结果 。反而倾向于补全一个格式完整、叫作“幻觉” 。查得到的留下，语法顺 、在人工智能领域有个专门的说法  ，当模型被追问具体出处时，查不到的一律舍弃，读起来可信的答案 。既不贪快也不含糊。 另一个推手来自信息的缺失与压缩。细节像 ，格式对、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，于是当被要求列参考文献时，但把它的每一条输出都默认为检索结果就危险了。训练时它读过海量文本，