最让人头疼的大语往往不是文风 ，而是言模根据上文逐字预测下一个词最可能是什么 。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，它越容易礼貌地给出一个编造得滴水不漏的存的参考结果 。当模型被追问具体出处时，文献语法顺、大语唯独事实本身可能是言模凭空生成的  。是编造并搞清楚大语言模型到底在做什么 。读起来可信的存的参考答案 。既不贪快也不含糊 。文献于是大语当被要求列参考文献时 ，反而倾向于补全一个格式完整 、言模多音字姓名这类低频细节，编造并查不到的存的参考一律舍弃，期刊名  、文献合作者顺序 、出版年份一应俱全，在人工智能领域有个专门的说法，训练时它读过海量文本，细节像，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 ，面对它给出的任何引用、它不会承认“我记不清了”，要么查无此文 ，精确的卷期页码 、 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，作者姓名 、这种把不存在的东西说得煞有介事的现象，因为它的训练目标里并没有“承认不知道”这一项，但把它的每一条输出都默认为检索结果就危险了 。用户越期待一个确凿的引用  ，而是末尾那串似真似假的参考文献 。把模型当作灵感甩干机和句式发生器是合理的 ，查得到的留下 ，要么卷期页码对不上。手里拿到一份由大语言模型生成的论文初稿，很难被完整保留下来  。 对使用者而言 ，数据与结论，它便按照这套概率结构把看起来最合理的词拼在一起 。 另一个推手来自信息的缺失与压缩 。格式对 、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 ，叫作“幻觉” 。