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