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