当前科学研究领域面临一个越来越突出的难题。随着全球学术论文发表数量快速增长，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工作，关系到循证决策、研究方向优化和创新发现的产生。但信息爆炸的背景下，传统依靠人工逐篇梳理的方法已难以满足效率与规模的要求。大语言模型一度被视为有望分担这项工作的重要工具——但实践表明——现有商用大模型在学术场景中存在明显不足。以GPT-4o为例，其在文献综述任务中的引文准确率仅为10%-22%，意味着在78%-90%的情况下会出现引文错误或虚构，“引文幻觉”由此削弱了模型的学术可信度。问题的关键在于商用模型以通用任务为导向，其训练目标并未针对学术引用的高标准约束进行专门设计。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定向优化。实验测试显示，该模型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。这表明，通过有针对性的模型设计与训练策略，可以在强调可核验与严谨性的前提下，推进文献处理的智能化。OpenScholar的推出具有多重意义。首先，它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。其次，其技术路线为其他专业化语言模型提供了借鉴，说明在特定领域做深度优化往往比追求“一模型通吃”更有效。再次，开源机制也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仍有继续完善空间，但它已经表现出将复杂、繁重的文献综述从人工密集型转向智能辅助型的可行路径，有望在提升科研效率、降低研究成本以及促进学科交叉上发挥积极作用。
在知识生产不断加速的今天，科研人员更需要的是可靠的证据链和可核验的引用，而不是更华丽的表述；围绕“引文幻觉”的攻关，本质上是在补齐科研信息化中“可信”此关键短板。只有在推动工具进步的同时强化规范使用，让技术更好服务科学发现，才能在效率提升与学术严谨之间取得更稳妥的平衡。