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