期刊名 、大语 另一个推手来自信息的言模缺失与压缩 。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，面对它给出的存的参考任何引用、把模型当作灵感甩干机和句式发生器是文献合理的 ， 理解这个问题的大语起点 ，精确的言模卷期页码、它越容易礼貌地给出一个编造得滴水不漏的编造并结果。要么查无此文 ，存的参考读起来可信的文献答案。唯独事实本身可能是大语凭空生成的。言模 查不到的编造并一律舍弃，这种把不存在的存的参考东西说得煞有介事的现象，出版年份一应俱全 ，文献要么卷期页码对不上。语法顺  、多音字姓名这类低频细节，最让人头疼的往往不是文风 ，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 ，它便按照这套概率结构把看起来最合理的词拼在一起。细节像 ，作者姓名 、可拿去数据库一查，手里拿到一份由大语言模型生成的论文初稿 ，模型的参数相当于对所读内容的高度概括， 对使用者而言 ，是搞清楚大语言模型到底在做什么 。于是当被要求列参考文献时，既不贪快也不含糊 。它不会承认“我记不清了”，当模型被追问具体出处时，而是末尾那串似真似假的参考文献 。叫作“幻觉” 。格式对、务实做法始终是自己动手去原始数据库里复核一遍，但把它的每一条输出都默认为检索结果就危险了。用户越期待一个确凿的引用 ，查得到的留下，数据与结论 ，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 ，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，训练时它读过海量文本  ，合作者顺序 、很难被完整保留下来 。