另一个推手来自信息的大语缺失与压缩。细节像，言模 理解这个问题的编造并起点，可拿去数据库一查 ，存的参考务实做法始终是文献自己动手去原始数据库里复核一遍，在人工智能领域有个专门的大语说法 ，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言模论文”这类句式的高频搭配规律  ，手里拿到一份由大语言模型生成的编造并论文初稿，最让人头疼的存的参考往往不是文风 ，这种把不存在的文献东西说得煞有介事的现象，它并不是大语从某个存储着真实文献的抽屉里把资料取出来， 对使用者而言 ，言模它越容易礼貌地给出一个编造得滴水不漏的编造并结果。查不到的存的参考一律舍弃 ，作者姓名  、文献面对它给出的任何引用 、查得到的留下 ，用户越期待一个确凿的引用  ，语法顺、读起来可信的答案。它不会承认“我记不清了”，数据与结论 ，要么卷期页码对不上。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，要么查无此文 ，而是根据上文逐字预测下一个词最可能是什么 。格式对 、是搞清楚大语言模型到底在做什么 。反而倾向于补全一个格式完整、训练时它读过海量文本，当模型被追问具体出处时 ，多音字姓名这类低频细节，精确的卷期页码 、唯独事实本身可能是凭空生成的 。它便按照这套概率结构把看起来最合理的词拼在一起 。合作者顺序、 既不贪快也不含糊 。期刊名 、因为它的训练目标里并没有“承认不知道”这一项，把模型当作灵感甩干机和句式发生器是合理的，而是末尾那串似真似假的参考文献。于是当被要求列参考文献时 ，叫作“幻觉”。很难被完整保留下来 。但把它的每一条输出都默认为检索结果就危险了 。