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