问题：当前科研领域面临两大核心挑战：一是每年新增论文数量以百万计，增长速度远超人工阅读与整理能力；二是现有智能工具虚构引用比例最高可达90%，显著削弱其学术研究中的可用性；华盛顿大学团队还发现，主流模型对2021年之后发表的研究几乎不具备有效检索能力。 原因：继续分析显示，瓶颈主要来自三上：训练数据更新不及时、缺少面向专业领域的适配架构、以及缺乏可靠的学术溯源机制。研究团队指出，通用型人工智能若直接套用网络爬取数据，容易出现“随机抓取博客内容”“对单篇文献过度引用”等典型错误。 对策：OpenScholar提出“双轨并进”的解决方案：一方面构建覆盖4500万篇论文的动态检索库，尽量保证知识来源可追溯、可信；另一方面引入检索增强生成技术，让系统能够持续接入最新研究进展。团队同时发布ScholarQABench评测体系，包含3000条专业查询与250篇由专家撰写的标准答案，为行业提供更可比的评估基准。 影响：在跨学科盲测中，该模型整体表现明显优于包括GPT-4o在内的多款主流系统。值得关注的是，在引入其引用机制后，科学家对智能生成内容的接受度从32%提升至70%。目前，全球已有数十家研究机构基于其开源代码进行二次开发；保罗·G·艾伦学院实验室表示，其迭代版本DRTulu已实现多级文献溯源功能。 前景：这项进展显示，学术研究工具正从“能用”走向“可核验”。随着欧盟“地平线计划”、美国国家科学基金会等机构启动对应的合作，预计未来三年将逐步形成覆盖主要学科的专业化工具体系。中国科学院科技战略咨询研究院专家认为，这类技术既有助于缩短科研信息检索与验证时间，也有助于降低学术不端风险。
科研以证据推动认识前进，可信引用是学术交流的底线。面向学术场景的检索与生成系统若能以开放透明的方式提供可核验的证据链，将有助于降低信息筛选成本、提升跨学科研究效率，并推动科研工具从“便利”走向“可靠”。在技术快速演进的同时，更严格的评测、更清晰的责任边界与更完善的使用规范——仍是守住真实性的关键——也将决定这类工具在科研体系中能走多远、走多稳。