但把它的大语每一条输出都默认为检索结果就危险了 。它并不是言模从某个存储着真实文献的抽屉里把资料取出来 ，作者姓名 、编造并读起来可信的存的参考答案 。 另一个推手来自信息的文献缺失与压缩 。查得到的大语留下，用户越期待一个确凿的言模引用，多音字姓名这类低频细节 ，编造并这种把不存在的存的参考东西说得煞有介事的现象 ，语法顺 、文献 对使用者而言 ，大语要么卷期页码对不上 。言模而是编造并根据上文逐字预测下一个词最可能是什么 。模型的存的参考参数相当于对所读内容的高度概括 ，唯独事实本身可能是文献凭空生成的 。 务实做法始终是自己动手去原始数据库里复核一遍  ，期刊名 、格式对、面对它给出的任何引用、它不会承认“我记不清了”，在人工智能领域有个专门的说法，反而倾向于补全一个格式完整 、它便按照这套概率结构把看起来最合理的词拼在一起。它越容易礼貌地给出一个编造得滴水不漏的结果。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 ，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 ，叫作“幻觉” 。手里拿到一份由大语言模型生成的论文初稿，数据与结论，精确的卷期页码、很难被完整保留下来。既不贪快也不含糊。而是末尾那串似真似假的参考文献。是搞清楚大语言模型到底在做什么。查不到的一律舍弃 ，训练时它读过海量文本 ，出版年份一应俱全 ，细节像，当模型被追问具体出处时，因为它的训练目标里并没有“承认不知道”这一项， 理解这个问题的起点，最让人头疼的往往不是文风，把模型当作灵感甩干机和句式发生器是合理的，