V1.0 · 文献问答与综述
V1.0提供项目文献管理、论文问答、多篇比较、综述生成和连续修改。用户上传论文后，可以围绕同一组材料提问、查看引用，再根据回答调整研究问题或正文。首轮评测检查这些功能在真实论文任务中的表现，并记录影响使用的问题。
一、主要功能
| 功能 | 用户可以做什么 | 本版如何支持 |
|---|---|---|
| 项目与文献管理 | 将同一研究主题的论文放在一个项目中，选择本次使用的材料 | 保存PDF原件，提取正文并建立检索索引；项目关联文件与研究要求 |
| 论文问答 | 解释概念、研究方法、指标和具体发现 | 根据问题检索相关段落，结合原文回答并附来源 |
| 多篇比较 | 比较不同论文的研究对象、方法和结论 | 在所选论文中查找证据，由模型按共同维度组织比较 |
| 综述生成 | 根据研究主题和材料生成中文正文 | 综合多篇内容，按用户要求组织段落、篇幅和引用 |
| 连续修改 | 在已有回答上缩写、调整结构或更换资料范围 | 带入会话历史、当前要求与来源信息，继续生成修改稿 |
| 引用与原文查看 | 从回答中的引用打开论文，核对相关页面和原句 | 保存来源关联，提供PDF阅读、原文查找与高亮 |
| 任务运行与记录 | 查看任务状态、停止执行，并保留问答结果 | 记录模型和工具调用、结束原因、用量与检索过程，供复盘使用 |
一次常见的使用过程是：在项目中上传论文，先询问各篇的主要发现，再要求按主题比较，形成综述后继续压缩或调整结构。引用随回答展示，用户可以在修改过程中回到原文核对。
二、评测结果
首轮使用28篇论文，执行56个案例，取得71条结果。其中61轮评价最终回答，10道题直接评价检索工具。题目覆盖论文理解、多篇综合、连续修改和错误前提纠正。
| 最终回答档位 | 轮数 |
|---|---|
| 4分：完整达成 | 26 |
| 3分：达成，需局部修改 | 9 |
| 2分：部分达成 | 21 |
| 1分：主要要求未达成 | 2 |
| 0分：关键错误或未交付 | 3 |
| 3–4分合计 | 35/61（57.4%） |
10道工具题的R3为9道3分、1道2分；多余正文、参考文献和附录影响了证据筛选质量。R2缺独立候选阶段日志，记U。工具题与回答题分别统计，检查给定查询是否取得所需原文，以及完整任务是否交付了可用回答。
回答评分中，35轮回答为3–4分，21轮为2分，5轮为0–1分。46个对话案例中24例达成、17例部分达成、5例未达成。运行记录中59轮正常结束、2轮预算终止；评分发现3轮缺少有效正文。这些结果把排查重点集中到论文覆盖、证据使用和最终输出。
查看两版同口径评测结果 · 查看评测体系与评分标准 · 查看完整评测集
三、Bad case 与原因
3.1 只有检索承诺，没有实际答案
任务。 专家第22题要求结合两篇论文，为一个研究设想提出有依据的问题。
实际表现。 回答只有一句“我会先查找这两篇论文”，没有后续研究问题或引用，运行状态却显示完成，独立评分为0分。
原因。 程序接受了模型的结束信号，但这条最终消息只是下一步行动的承诺。模型停止输出和用户拿到所需内容，在这次运行中没有对应起来。
3.2 15篇论文，续问中只剩10篇
任务。 用户第22题要求整理15篇论文，并在续问中为每篇给出要点和引用。
实际表现。 第一轮覆盖13篇，缺少P20和P29；续问只覆盖10篇。两轮分别为2分和1分。
原因。 第一轮缺少的两篇已经进入检索候选，却没有进入工具正文和主模型输入。续问中，旧工具正文被替换，新证据又没有覆盖全部论文。遗漏发生在候选筛选、结果传递和跨轮保留过程中。
3.3 两篇比较，检索只返回一篇
任务。 工具第5题需要同时返回P13与P32的依据。
实际表现。 实际返回只有P13，工具评分为2分。比较所需的另一篇证据没有交给回答环节。
归因记录。 工具第5题确认了返回证据缺少P32，问题记录为跨论文取证不完整。V1.1另外排查了专家第20题的完整比较任务，检索过程与同题对照放在V1.1详情中。
3.4 正文超过明确的篇幅要求
任务。 用户第4题要求250–350字正文。
实际表现。 按原评分口径，可见正文为529字符；排除附录和追加邀约后，主要正文仍有447字符，评分为2分。
归因记录。 超出的部分包含正文和额外输出，最终交付没有落实明确的篇幅要求。复核时按同一计数口径检查正文，再区分必要条件与可以删去的重复解释。
四、后续改进
首轮留下了三个主要修改方向：让比较和逐篇任务取得完整证据，让连续修改保留来源关系，让任务结束时交付符合要求的正文。
V1.1围绕这些问题调整了候选分配、历史引用、上下文和正文检查，并用同一批案例复测。版本详情继续展示具体改法、同题表现与整体分数变化。