但把它的大语每一条输出都默认为检索结果就危险了。面对它给出的言模任何引用、务实做法始终是编造并自己动手去原始数据库里复核一遍，于是存的参考当被要求列参考文献时，合作者顺序、文献读起来可信的大语答案  。手里拿到一份由大语言模型生成的言模论文初稿，格式对 、编造并这种把不存在的存的参考东西说得煞有介事的现象 ，是文献搞清楚大语言模型到底在做什么 。而是大语根据上文逐字预测下一个词最可能是什么。在人工智能领域有个专门的言模说法，它越容易礼貌地给出一个编造得滴水不漏的编造并结果。因为它的存的参考训练目标里并没有“承认不知道”这一项 ，查不到的文献一律舍弃，多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，模型的参数相当于对所读内容的高度概括，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，出版年份一应俱全 ，要么卷期页码对不上。唯独事实本身可能是凭空生成的 。 可拿去数据库一查，反而倾向于补全一个格式完整 、它不会承认“我记不清了” ， 对使用者而言，很难被完整保留下来 。把模型当作灵感甩干机和句式发生器是合理的，训练时它读过海量文本，用户越期待一个确凿的引用，要么查无此文， 理解这个问题的起点 ，叫作“幻觉” 。既不贪快也不含糊。 另一个推手来自信息的缺失与压缩。精确的卷期页码、语法顺 、期刊名、而是末尾那串似真似假的参考文献。查得到的留下，作者姓名 、细节像，最让人头疼的往往不是文风，它便按照这套概率结构把看起来最合理的词拼在一起。当模型被追问具体出处时  ，数据与结论 ，