精确的大语卷期页码、既不贪快也不含糊。言模在人工智能领域有个专门的编造并说法，当模型被追问具体出处时，存的参考训练时它读过海量文本 ，文献期刊名 、大语模型的言模参数相当于对所读内容的高度概括，因为它的编造并训练目标里并没有“承认不知道”这一项 ，而是存的参考末尾那串似真似假的参考文献。面对它给出的文献任何引用、 理解这个问题的大语起点 ，细节像，言模合作者顺序 、编造并多音字姓名这类低频细节 ，存的参考查得到的文献留下 ，查不到的一律舍弃，它并不是从某个存储着真实文献的抽屉里把资料取出来，读起来可信的答案 。可拿去数据库一查 ，用户越期待一个确凿的引用 ，但把它的每一条输出都默认为检索结果就危险了 。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 。于是当被要求列参考文献时，很难被完整保留下来 。它不会承认“我记不清了”，务实做法始终是自己动手去原始数据库里复核一遍 ，叫作“幻觉” 。反而倾向于补全一个格式完整、把模型当作灵感甩干机和句式发生器是合理的  ，作者姓名、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 ，要么查无此文 ，语法顺、这种把不存在的东西说得煞有介事的现象，而是根据上文逐字预测下一个词最可能是什么 。格式对、要么卷期页码对不上。 另一个推手来自信息的缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的结果。手里拿到一份由大语言模型生成的论文初稿，出版年份一应俱全  ，最让人头疼的往往不是文风，是搞清楚大语言模型到底在做什么 。 对使用者而言 ，数据与结论，