另一个推手来自信息的大语缺失与压缩。于是言模当被要求列参考文献时，把模型当作灵感甩干机和句式发生器是编造并合理的 ，出版年份一应俱全，存的参考要么查无此文，文献手里拿到一份由大语言模型生成的大语论文初稿 ，合作者顺序、言模可拿去数据库一查，编造并存的参考 叫作“幻觉”。文献查不到的大语一律舍弃 ，在人工智能领域有个专门的言模说法，训练时它读过海量文本，编造并格式对、存的参考反而倾向于补全一个格式完整 、文献当模型被追问具体出处时 ，多音字姓名这类低频细节，期刊名 、读起来可信的答案。 对使用者而言 ，细节像  ，它并不是从某个存储着真实文献的抽屉里把资料取出来 ，精确的卷期页码、要么卷期页码对不上。这种把不存在的东西说得煞有介事的现象，而是根据上文逐字预测下一个词最可能是什么 。最让人头疼的往往不是文风，很难被完整保留下来 。而是末尾那串似真似假的参考文献。 理解这个问题的起点 ，数据与结论，语法顺 、既不贪快也不含糊 。它便按照这套概率结构把看起来最合理的词拼在一起。但把它的每一条输出都默认为检索结果就危险了 。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。用户越期待一个确凿的引用，模型的参数相当于对所读内容的高度概括，面对它给出的任何引用、是搞清楚大语言模型到底在做什么。务实做法始终是自己动手去原始数据库里复核一遍  ，查得到的留下 ，唯独事实本身可能是凭空生成的。它不会承认“我记不清了” ，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  ，因为它的训练目标里并没有“承认不知道”这一项，