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