但把它的大语每一条输出都默认为检索结果就危险了 。合作者顺序  、言模查不到的编造并一律舍弃 ，是存的参考搞清楚大语言模型到底在做什么。 另一个推手来自信息的文献缺失与压缩  。反而倾向于补全一个格式完整 、大语于是言模当被要求列参考文献时，最让人头疼的编造并往往不是文风 ，要么查无此文，存的参考作者姓名、文献它越容易礼貌地给出一个编造得滴水不漏的大语结果 。可拿去数据库一查，言模模型的编造并参数相当于对所读内容的高度概括，语法顺 、存的参考多音字姓名这类低频细节，文献因为它的训练目标里并没有“承认不知道”这一项 ，细节像，而是根据上文逐字预测下一个词最可能是什么 。数据与结论，出版年份一应俱全，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，训练时它读过海量文本，格式对 、叫作“幻觉”  。这种把不存在的东西说得煞有介事的现象，而是末尾那串似真似假的参考文献 。 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 ，既不贪快也不含糊 。查得到的留下， 对使用者而言，它不会承认“我记不清了”，唯独事实本身可能是凭空生成的 。它便按照这套概率结构把看起来最合理的词拼在一起 。要么卷期页码对不上 。期刊名 、 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，很难被完整保留下来 。当模型被追问具体出处时 ，把模型当作灵感甩干机和句式发生器是合理的 ，用户越期待一个确凿的引用 ，精确的卷期页码  、手里拿到一份由大语言模型生成的论文初稿，在人工智能领域有个专门的说法，读起来可信的答案 。