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