当前科学研究正面临一个越来越突出的难题：全球学术文献发表量持续攀升，研究人员要全面跟进某一领域的最新进展变得愈发困难。文献综述是科研的重要基础环节，对支撑循证决策、校准研究方向、激发创新发现至关重要。但信息快速累积的背景下，传统的人工梳理方式已难以满足效率与覆盖面的要求。大语言模型一度被视为减轻这类工作负担的潜在方案——但实践表明——现有商用模型在学术场景中仍有明显不足。以GPT-4o为例，其在文献综述中的引文准确率仅为10%-22%，也就是说有78%-90%的情况会出现引文错误或虚构，“引文幻觉”直接削弱了学术可信度。问题的关键在于商用模型以通用能力为主要目标，训练与评估并未围绕学术严谨性的特殊需求展开。针对该瓶颈，国际研究团队开发了开源语言模型OpenScholar，并围绕学术文献综述任务进行专门优化。实验结果显示，OpenScholar的引文准确率可与人类专家相当，显著缓解了商用模型常见的引文幻觉问题。这一进展表明，通过有针对性的模型设计与训练策略，文献处理的智能化升级可以在更高的学术严谨性约束下实现。OpenScholar的开发也带来多重意义：其一，为学术界提供了更可信的开源工具，便于研究人员按需定制与优化；其二，其技术路线为其他专业化语言模型提供了参考，提示在特定领域进行深度优化往往比单纯追求通用性更有效；其三，开源机制让全球学术社区能够共同参与改进，有助于形成更开放的协作生态。研究团队也指出，OpenScholar仍有更完善空间，但它已经展示出将复杂、繁重的文献综述工作从高度依赖人工转向智能辅助的可行路径，有望在提升科研效率、降低研究成本、促进学科交叉诸上发挥积极作用。
在知识更新速度不断加快的今天，如何从海量信息中准确提取可靠内容，已成为全球科研界共同面对的现实问题。OpenScholar的实践表明，技术与学术的深度结合不仅能提升效率，也能为研究质量提供更坚实的保障。这也提醒我们：学术进步既需要勇于探索的研究者，也需要持续推进工具与方法革新的建设者。