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