V1.1 · 检索与回答优化

V1.1调整论文解析、检索筛选、上下文和正文检查，处理多篇遗漏、引用错配及任务结束后没有正文等问题。完成修改后，使用与V1.0相同的28篇论文和56个案例复测，共取得61轮回答与10条工具结果。

一、主要改动

28篇评测论文已按新流程重建索引。输入区增加思考强度选择；模型菜单保留搜索、详情和个人模型管理入口，配置页支持返回原页面。

二、同题对比

2.1 两篇比较的证据遗漏

专家第20题先比较P13与P32的研究对象和结论，再要求压缩并保留来源。V1.1修复前批次中，候选已包含两篇正文，但排序后的前列被P13占满，五次补查仍只把P13交给回答模型。

修改针对比较任务分配候选：先保留不同论文，再按篇内相关性补充材料。记录同时保存候选、工具返回和主模型输入中的论文范围。

最终批次第1轮完成了比较，但对检索次数的说明与实际记录不符，评分为3分。这里比较的是同一道完整问答题；V1.0中只返回P13的工具第5题是另一条直接检索案例。

2.2 15篇论文的覆盖与内容

用户第22题先要求将15篇按主题分组，续问再生成600–900字摘要级综述，每篇至少一个要点和引用。V1.0两轮分别覆盖13篇和10篇；第一轮缺少的P20、P29已进入候选，却没有进入工具正文和主模型输入。

逐篇候选分配调整后的定向复测中，两轮均覆盖15篇，检索调用由3次减为2次。覆盖记录继续检查每篇是否有具体内容和来源。

最终全量批次的续问交付883字正文和15个引用，评分为2分：前轮对反馈奖励的错误解释没有澄清。首轮整体为0分，未解决的B0影响最终结果，案例判为未达成。候选覆盖得到改善后，仍需逐项核对研究发现和机制解释。查看覆盖修复的详细过程

2.3 检查器故障触发重写

一次中间复测已生成898字正文，符合篇幅要求。内容检查器返回无法解析的结果后，程序要求模型重写；新稿变成1024字，又在最后一轮被字数检查拦下，最终没有交付正文。

本版将检查结果分为内容问题、证据不足和检查器技术故障。内容问题指导修改，证据不足指导补查；格式错误与超时先重试检查器。同时提前为正文和修改保留轮次，达到篇幅修改边界后继续判断内容质量，并记录长度偏差。

这项修改处理的是检查失败后的执行方式。最终回答仍按实际内容评分，已发现的事实问题需要确认修正。

2.4 多轮引用修复

连续修改可能重新检索或改变资料范围，历史编号与新返回顺序容易出现冲突。本版按文档身份保留来源关联，处理历史工具结果和新检索结果时复用已有映射。

最终批次核查未发现数值引用号跨论文串号。引用指向正确后，评审继续对照原文检查具体论述是否受到支持。

三、评测结果

两版使用相同题集，分别统计案例完成情况与每轮回答质量。

按案例比较，15例改善、27例持平、4例退步。回答档位按轮次记录；案例结果按题目约定的完整要求判断。

3.1 检索工具

直接工具R3为V1.0的9题3分、1题2分，以及V1.1的7题4分、3题2分。V1.0返回冗余较多，没有满分；V1.1的第6、8、10题分别缺少认证数据机制、意外消息条件和替代关系较弱的实证发现。第5题遗漏P32的问题已改善。

两版R2均因缺少独立候选阶段日志记U，R4均为10题4分。对话中的工具过程同样可以按适用R维度检查，10道直接工具题单独统计。

查看完整评测结果：三类指标、数据完整性与评分说明。

四、最终结果中的问题

15篇任务仍出现两类失败：用户第22题将真实反馈奖励解释成“购买好评”，续问没有澄清；另一条综述案例停留在继续搜索的进度句。

这些结果与工具题的证据遗漏一同归档。每条记录关联实际回答、论文位置和检索过程，便于后续从原题复测。

五、改进思路

5.1 奖励机制的解释

用户第22题把真实反馈奖励写成“购买好评”，需要继续检查模型采用了哪段证据、是否读到奖励领取条件，以及改写时是否改变了原意。

计划在奖励、补贴和信号机制相关任务中，按问题取得研究对象、行为条件、指标和结论，再组织正文。例如，奖励是否要求正面评价，与奖励是否鼓励提交真实反馈，需要回到原文分别核对。续问修改还应检查前文已出现的错误是否得到澄清。

复测从原问题开始，对照具体机制、指标与来源；相关正常问答一起检查，观察相同概念在不同问法下是否保持一致。

5.2 检索后的条件遗漏

工具第6、8、10题最终返回缺少部分机制或条件；独立候选阶段日志不足，仍需补齐阶段证据。下一步准备对照重排、裁剪和扩展前后的正文，确认缺失发生的位置。

已有的按篇分配解决论文覆盖，还需要检查篇内关键内容是否完整。计划围绕问题保留成组证据，例如“研究结论及适用条件”“专业车商的保修收益及替代关系”，并合并重复段落。复测同时检查必要证据覆盖、输入长度与调用用量。

5.3 长任务的正文交付

对于停留在进度句的综述任务，准备从结束前的模型输入与预算记录继续排查：证据是否够用、是否仍在重复检索、是否实际进入正文生成。

交付检查重点放在用户请求的内容上：是否已有正文、是否完成规定的主题或逐篇要求、引用是否对应。若只有检索承诺，且仍有可用证据与预算，计划让任务进入正文生成；发生中断时保存已有内容与缺失项，便于继续处理。

复测除确认任务结束外，还要逐项检查正文，记录首次执行和重复执行的结果。

5.4 下一版的综述工作流

V1.2的综述工作流面向研究论文中的文献综述、相关研究与理论背景章节。输入包括作者的研究问题与已有设计、选定论文、本节作用、篇幅和写作要求；输出包括章节正文、引用及需要继续核对的内容。

工作流按“整理逐篇证据—确定主题与文献分配—生成正文—检查发现、条件与引用—修改”组织，正在定向验证。程序管理步骤和检查结果，模型负责提取、比较与写作。用户后续调整结构或材料范围时，再确定需要重做哪些步骤。

此前的15篇任务试验用于检查覆盖、事实、条件与正文交付。最新写作标准和示例增加作者研究设定，接下来用新的材料检查章节组织和研究定位，再做原题回归与全量比较。

六、评测记录与后续工作

两版各46个对话案例的结果已汇总，工具检查和运行性能一并展示在评测结果中。数据完整性与待补测试也在该页集中说明。

V1.2正在开发面向研究论文章节的综述工作流，并改进逐篇补查和检查器误报处理。写作标准与示例已完成加载检查，下一步评估实际写作质量，并执行同范围全量评测。

查看评测结果 · 查看完整评测集 · 查看V1.0功能与评测