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