标题：7B小模型写好学术论文，新框架告别AI引用幻觉，实测100%学生认可引用质量

学术写作常耗费大量时间查询文献引用，但通用大语言模型如ChatGPT、GPT-4易产生“引用幻觉”，即虚构文献引用，降低学术可信度。为此，加拿大滑铁卢大学与卡内基梅隆大学的研究团队推出ScholarCopilot，专为学术场景设计，力求生成精准引用的文本。

传统RAG方法“先检索、再生成”，易导致意图不匹配及引用不准确。ScholarCopilot采用“边生成、边检索”动态机制：生成时动态判断是否需要引用并插入检索信号[RET]，实时检索相关文献融入生成过程，提升引用质量和相关性。其方式类似人类写作，先撰写后按需检索引用。

基于Qwen-2.5-7B模型训练的ScholarCopilot，在引用检索准确性上达40.1%，优于E5-Mistral-7B-Instruct（15.0%）和BM25（9.8%）。在论文生成质量测试中，综合得分16.2（满分25），高于更大参数量的Qwen-2.5-72B-Instruct（15.8）和Qwen-2.5-7B-Instruct（13.9）。真人评测中，10名学生对引用质量偏好率达100%，整体实用性偏好超70%。

尽管如此，ScholarCopilot仍有提升空间。用户建议加强内容生成的全面性与信息丰富度，提高创新性，以及与Overleaf等平台深度整合，支持分章节生成和光标位置预测。团队正据此优化模型。

目前，论文、代码与模型已公开，感兴趣者可访问相关资源深入了解。论文链接：https://arxiv.org/pdf/2504.00824；项目网站：https://tiger-ai-lab.github.io/ScholarCopilot/；演示视频：https://www.youtube.com/watch?v=QlY7S52sWDA。