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