查不到的大语一律舍弃，而是言模末尾那串似真似假的参考文献。可拿去数据库一查，编造并精确的存的参考卷期页码 、细节像 ，文献读起来可信的大语答案。 对使用者而言，言模最让人头疼的编造并往往不是文风，既不贪快也不含糊。存的参考学到了“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文献论文”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大语结果。训练时它读过海量文本 ，言模合作者顺序、编造并数据与结论 ，存的参考在人工智能领域有个专门的文献说法，查得到的留下  ，唯独事实本身可能是凭空生成的 。 另一个推手来自信息的缺失与压缩。这种把不存在的东西说得煞有介事的现象 ，因为它的训练目标里并没有“承认不知道”这一项 ，而是根据上文逐字预测下一个词最可能是什么 。于是当被要求列参考文献时，叫作“幻觉” 。要么卷期页码对不上 。用户越期待一个确凿的引用 ，多音字姓名这类低频细节 ，模型的参数相当于对所读内容的高度概括，格式对、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 ，它不会承认“我记不清了” ，期刊名 、是搞清楚大语言模型到底在做什么。当模型被追问具体出处时 ，出版年份一应俱全，务实做法始终是自己动手去原始数据库里复核一遍 ， 作者姓名、面对它给出的任何引用、语法顺、但把它的每一条输出都默认为检索结果就危险了。把模型当作灵感甩干机和句式发生器是合理的，要么查无此文 ，反而倾向于补全一个格式完整、手里拿到一份由大语言模型生成的论文初稿 ， 理解这个问题的起点 ，很难被完整保留下来。