大语言模型能否评审科学文献？基于 102 篇文章基准的测试

研究测试了 6 种 AI 工具在文献综述四个阶段的表现，指出 LLM 能辅助发现与解读文献，但无法替代专家判断。 基准基于西班牙羽流天气模式的 102 篇文献库，5 种工具共识别 57 篇，引入机构权限后 Codex 识别数升至 82 篇。 3 种工具在综合研究中存在误导性声明或共识夸大，需依赖专家进行证据评估与综合。