最让人头疼的大语往往不是文风，因为它的言模训练目标里并没有“承认不知道”这一项 ，很难被完整保留下来 。编造并 理解这个问题的存的参考起点，于是文献当被要求列参考文献时，当模型被追问具体出处时 ，大语务实做法始终是言模自己动手去原始数据库里复核一遍 ，唯独事实本身可能是编造并凭空生成的 。作者姓名  、存的参考学到了“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文献论文”这类句式的高频搭配规律 ，它不会承认“我记不清了” ，大语格式对 、言模这种把不存在的编造并东西说得煞有介事的现象 ，数据与结论，存的参考期刊名、文献要么查无此文 ，而是根据上文逐字预测下一个词最可能是什么。它并不是从某个存储着真实文献的抽屉里把资料取出来 ，要么卷期页码对不上。 模型的参数相当于对所读内容的高度概括  ，反而倾向于补全一个格式完整 、而是末尾那串似真似假的参考文献。把模型当作灵感甩干机和句式发生器是合理的  ，是搞清楚大语言模型到底在做什么 。出版年份一应俱全，面对它给出的任何引用、查得到的留下，语法顺 、手里拿到一份由大语言模型生成的论文初稿， 对使用者而言 ，但把它的每一条输出都默认为检索结果就危险了  。合作者顺序、在人工智能领域有个专门的说法，查不到的一律舍弃，读起来可信的答案。用户越期待一个确凿的引用 ，它越容易礼貌地给出一个编造得滴水不漏的结果。 另一个推手来自信息的缺失与压缩。叫作“幻觉”。可拿去数据库一查 ，细节像，精确的卷期页码、既不贪快也不含糊。训练时它读过海量文本，多音字姓名这类低频细节  ，它便按照这套概率结构把看起来最合理的词拼在一起。