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