大语言模型能否综述科学文献？基于 102 篇论文基准的测试

一项基于 102 篇文献基准的研究评估了 6 款 AI 工具，表明大语言模型可辅助文献发现，但无法替代专家判断。接入机构权限后 Codex 和 Claude Code 检索量分别升至 82 篇与 79 篇，但工具将 40% 至 79% 的顺带提及误判为实质讨论。盲审亦发现其综述存在无依据主张与引用错误，且无单一工具在所有任务中均表现最佳。