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