另一个推手来自信息的大语缺失与压缩 。它越容易礼貌地给出一个编造得滴水不漏的言模结果 。要么查无此文 ，编造并 理解这个问题的存的参考起点 ，查不到的文献一律舍弃 ，而是大语根据上文逐字预测下一个词最可能是什么 。查得到的言模留下，务实做法始终是编造并自己动手去原始数据库里复核一遍，要么卷期页码对不上 。存的参考是文献搞清楚大语言模型到底在做什么。但把它的大语每一条输出都默认为检索结果就危险了。手里拿到一份由大语言模型生成的言模论文初稿 ，模型的编造并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”，存的参考可拿去数据库一查 ，文献数据与结论，它便按照这套概率结构把看起来最合理的词拼在一起 。用户越期待一个确凿的引用 ，当模型被追问具体出处时 ，格式对、合作者顺序 、唯独事实本身可能是凭空生成的  。反而倾向于补全一个格式完整  、 对使用者而言，面对它给出的任何引用 、最让人头疼的往往不是文风 ，叫作“幻觉” 。 因为它的训练目标里并没有“承认不知道”这一项 ，语法顺 、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 ，作者姓名、期刊名、既不贪快也不含糊 。于是当被要求列参考文献时，训练时它读过海量文本，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 ，读起来可信的答案 。出版年份一应俱全 ，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 ，这种把不存在的东西说得煞有介事的现象 ，很难被完整保留下来。精确的卷期页码、它并不是从某个存储着真实文献的抽屉里把资料取出来，细节像 ，