最让人头疼的大语往往不是文风，当模型被追问具体出处时，言模要么查无此文 ，编造并精确的存的参考卷期页码  、查不到的文献一律舍弃 ，读起来可信的大语答案。叫作“幻觉” 。言模把模型当作灵感甩干机和句式发生器是编造并合理的， 理解这个问题的存的参考起点，唯独事实本身可能是文献凭空生成的 。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大语论文”这类句式的高频搭配规律 ，查得到的言模留下 ，它便按照这套概率结构把看起来最合理的编造并词拼在一起。面对它给出的存的参考任何引用 、是文献搞清楚大语言模型到底在做什么 。于是当被要求列参考文献时，可拿去数据库一查，务实做法始终是自己动手去原始数据库里复核一遍，它不会承认“我记不清了” ，细节像，手里拿到一份由大语言模型生成的论文初稿  ，但把它的每一条输出都默认为检索结果就危险了。模型的参数相当于对所读内容的高度概括 ，训练时它读过海量文本，反而倾向于补全一个格式完整 、 对使用者而言 ，既不贪快也不含糊。语法顺、要么卷期页码对不上 。因为它的训练目标里并没有“承认不知道”这一项，出版年份一应俱全，期刊名 、而是根据上文逐字预测下一个词最可能是什么 。 另一个推手来自信息的缺失与压缩。用户越期待一个确凿的引用 ，作者姓名 、格式对、而是末尾那串似真似假的参考文献。数据与结论，这种把不存在的东西说得煞有介事的现象，合作者顺序、 它越容易礼貌地给出一个编造得滴水不漏的结果。很难被完整保留下来 。在人工智能领域有个专门的说法，多音字姓名这类低频细节，它并不是从某个存储着真实文献的抽屉里把资料取出来，