7B小模型写好学术论文，新框架告别AI引用幻觉，实测100%学生认可引用质量

学术写作通常需要花费大量精力查询文献引用，而以ChatGPT、GPT-4等为代表的通用大语言模型（LLM）虽然能够生成流畅文本，但经常出现“引用幻觉”（Citation Hallucination），即模型凭空捏造文献引用。

这种现象严重影响了学术论文的可信度与专业性。

现在，加拿大滑铁卢大学与卡内基梅隆大学的华人研究团队，提出了一种名为 ScholarCopilot 的智能学术写作大模型框架，专门针对学术场景，致力于精准地生成带有准确引用的学术文本。

ScholarCopilot与传统方法的区别

传统的检索增强生成（Retrieval-Augmented Generation, RAG）方法采用“先检索、再生成”的静态流程，这种方式存在以下问题：

• 检索与生成过程相互独立，容易导致意图不匹配；

• 无法根据上下文需求动态调整引用策略，影响引用准确性。

针对这些局限性，ScholarCopilot提出了一种“边生成、边检索”的动态机制：

• 在生成文本时，模型动态地判断何时需要引用文献，并生成一个特殊的检索信号（[RET]）；

• 随后实时检索学术数据库中的相关文献，将检索到的内容融入后续生成过程；

• 通过联合优化生成任务和检索任务，提升引用的准确度与相关性。

简单来说，ScholarCopilot的写作方式更接近人类真实的写作习惯：平时正常撰写论文内容，当需要引用文献时再主动检索相关文献的BibTeX信息插入引用，随后继续撰写下文。同时，模型在撰写后续内容时，也会参考已插入的引用文献，确保生成的文本与引用内容紧密相关。

ScholarCopilot的性能表现

研究团队以阿里云近期发布的Qwen-2.5-7B模型为基础，使用了50万篇arXiv论文进行训练，并在多个维度上进行了性能评估：

引用检索准确性（Top-1 accuracy）达到40.1%，显著超过现有的检索模型：

• E5-Mistral-7B-Instruct（15.0%）
• BM25（9.8%）

论文生成质量方面（包括相关性、连贯性、学术严谨性、完整性和创新性），综合得分为16.2（满分25），高于参数量更大的Qwen-2.5-72B-Instruct模型（15.8）和Qwen-2.5-7B-Instruct模型（13.9）。

在一项由10位拥有平均4.2年学术写作经验的学生（5名博士、4名硕士、1名本科生）参与的真人评测中：

• ScholarCopilot在引用质量上的用户偏好率达到100%；
• 整体实用性偏好率超过70%。

ScholarCopilot的不足与未来方向

尽管取得了显著进步，ScholarCopilot仍存在一些局限性。通过上述用户调研，受访者提出了以下几点改进建议：

• 内容生成更全面：模型在生成内容的丰富性与信息全面性方面仍需进一步提升；
• 创新性不足：目前模型在生成创新性想法和研究问题方面表现一般，还有较大改进空间。

此外，受访者还建议未来版本可考虑：

• 与主流学术写作平台（如Overleaf）进行更紧密的整合；
• 支持分章节独立生成和任意光标位置的文本预测功能。

研究团队表示，这些反馈意见为后续开发提供了明确的改进方向。

后续展望

ScholarCopilot研究团队希望通过不断优化模型性能、扩展检索数据库和改进用户交互体验，让研究人员在学术写作中能更专注于研究本身，而非繁琐的文献检索与引用管理。

当前相关论文、代码与模型已经公开发布，感兴趣的读者可自行了解详细信息，进一步体验与评估该模型的实际表现：

论文链接：https://arxiv.org/pdf/2504.00824

项目网站：https://tiger-ai-lab.github.io/ScholarCopilot/

演示视频：https://www.youtube.com/watch?v=QlY7S52sWDA

文章来自于“量子位”，作者“ScholarCopilot团队”。