「大型語言模型的回應可能未必準確，尤其當詢問複雜或講求事實的主題時」Google傑出科學家紀懷新肯定地說到。他表示，機器學習偶爾會產生一些看似「幻覺」的不存在的資訊，或者是產生偏差性回應，而這些問題可能是因為在訓練（AI）的資料中，有一些美中不足的地方，導致回答問題有些偏差，又或者因為內容由不同人寫出來，回應的時候可能因為這些個人意見，模擬出一套特定的觀點。
「大多數的學者很難判斷真假，因此若是針對某件事、某個回覆有明確的來源，他的可信性就會高一點」，紀懷新說道。以此論點為基礎，Google用既有搜尋引擎的基礎，將Bard提供的回覆，都附帶資料來源，來讓使用者可以有資料可循，打擊這些不存在資訊的「幻覺」。
紀懷新進一步舉例，在大型語言模型中，針對一個提問如果已經在其中輸入事實A、事實B這兩項資料，經過一段的運算處理，將事實A與B答案整合在一起，會產生最終的事實C答案。這個最終解答的正確與否，其實就與邏輯、數學息息相關，若這套大語言模型能產生一套編碼（Code）去推理相關的問題，能將原本看似幻覺的事情，更有邏輯、規律的解釋，進而產生新的知識力。
紀懷新坦言，大型語言模型發展還屬於早期階段，除了上述針對內容的準確性、偏差性等問題外，仍存在一些可能不知道怎麼回答，或者看不懂提問內容的門檻；而在模型本身，也很常遇到來自各方的惡意提示的刻意攻擊，這些都是目前亟欲克服的挑戰，是整體產業積極尋求改善的重要指標。
Google現階段做法，是用搜尋引擎強化資料正確性的同時，更加上一套人工審查員機制，用以優化內容的正確性。紀懷新表示，這個審查員有兩項任務，第一是讓研究員知道模型的成長演化狀況；其次，是用來回饋訓練模型，以人為的方式告訴模型那些是好的回應，將這些參考資料輸入到模型中強化能力。
除了針對模型本身的修正外，紀懷新透露，Google也開始嘗試縮小Bard語言模型，讓其更加精簡、加深模型本身的可靠度。這個概念有點像是培養特定領域的專家，讓它在某個議題或專業能成為該領域的達人，不受其他複雜因素、內容所干擾。
