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