ScholarCopilot團隊 投稿
量子位 | 公眾號 QbitAI

學術寫作通常需要花費大量精力查詢文獻引用，而以ChatGPT、GPT-4等為代表的通用大語言模型（LLM）雖然能夠生成流暢文本，但經常出現“引用幻覺”（Citation Hallucination），即模型憑空捏造文獻引用。這種現象嚴重影響了學術論文的可信度與專業性。

現在，加拿大滑鐵盧大學與卡內基梅隆大學的華人研究團隊，提出了一種名為 ScholarCopilot 的智能學術寫作大模型框架，專門針對學術場景，致力于精準地生成帶有準確引用的學術文本。

ScholarCopilot與傳統方法的區別

傳統的檢索增強生成（Retrieval-Augmented Generation, RAG）方法采用“先檢索、再生成”的靜態流程，這種方式存在以下問題：

• 檢索與生成過程相互獨立，容易導致意圖不匹配；
• 無法根據上下文需求動態調整引用策略，影響引用準確性。

針對這些局限性，ScholarCopilot提出了一種“邊生成、邊檢索”的動態機制：

• 在生成文本時，模型動態地判斷何時需要引用文獻，并生成一個特殊的檢索信號（[RET]）；
• 隨后實時檢索學術數據庫中的相關文獻，將檢索到的內容融入后續生成過程；
• 通過聯合優化生成任務和檢索任務，提升引用的準確度與相關性。

簡單來說，ScholarCopilot的寫作方式更接近人類真實的寫作習慣：平時正常撰寫論文內容，當需要引用文獻時再主動檢索相關文獻的BibTeX信息插入引用，隨后繼續撰寫下文。同時，模型在撰寫后續內容時，也會參考已插入的引用文獻，確保生成的文本與引用內容緊密相關。

ScholarCopilot的性能表現

研究團隊以阿里云近期發布的Qwen-2.5-7B模型為基礎，使用了50萬篇arXiv論文進行訓練，并在多個維度上進行了性能評估：

引用檢索準確性（Top-1 accuracy）達到40.1%，顯著超過現有的檢索模型：

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

論文生成質量方面（包括相關性、連貫性、學術嚴謹性、完整性和創新性），綜合得分為16.2（滿分25），高于參數量更大的Qwen-2.5-72B-Instruct模型（15.8）和Qwen-2.5-7B-Instruct模型（13.9）。

在一項由10位擁有平均4.2年學術寫作經驗的學生（5名博士、4名碩士、1名本科生）參與的真人評測中：

• ScholarCopilot在引用質量上的用戶偏好率達到100%；
• 整體實用性偏好率超過70%。

ScholarCopilot的不足與未來方向

盡管取得了顯著進步，ScholarCopilot仍存在一些局限性。通過上述用戶調研，受訪者提出了以下幾點改進建議：

• 內容生成更全面：
• 模型在生成內容的豐富性與信息全面性方面仍需進一步提升；
• 創新性不足：
• 目前模型在生成創新性想法和研究問題方面表現一般，還有較大改進空間。

此外，受訪者還建議未來版本可考慮：

• 與主流學術寫作平臺（如Overleaf）進行更緊密的整合；
• 支持分章節獨立生成和任意光標位置的文本預測功能。

研究團隊表示，這些反饋意見為后續開發提供了明確的改進方向。

后續展望

ScholarCopilot研究團隊希望通過不斷優化模型性能、擴展檢索數據庫和改進用戶交互體驗，讓研究人員在學術寫作中能更專注于研究本身，而非繁瑣的文獻檢索與引用管理。

當前相關論文、代碼與模型已經公開發布，感興趣的讀者可自行了解詳細信息，進一步體驗與評估該模型的實際表現：

論文鏈接：https://arxiv.org/pdf/2504.00824
項目網站：https://tiger-ai-lab.github.io/ScholarCopilot/
演示視頻：https://www.youtube.com/watch?v=QlY7S52sWDA