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