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