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