SciLitBench：LLM系统综述基准
原文标题：SciLitBench: Benchmark and Design Principles for LLM-Powered Systematic Literature Reviews
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
引入SciLitBench，一个多阶段基准，涵盖标题摘要筛选、全文筛选和模式引导数据提取。评估22个开源LLM，发现明确纳入排除标准可提升筛选F2，但数据提取可靠性下降，最强模型仅恢复部分证据。该基准为评估LLM辅助证据综合提供资源。
- 问题
- 系统综述需人工筛选海量文献，现有LLM评测只覆盖单一阶段，缺乏端到端可靠性判断。
- 方法
- 构建多阶段基准SciLitBench，覆盖标题摘要筛选、全文筛选与模式引导数据提取，统一评测22个开源LLM。
- 结果
- 明确纳入排除标准使标题摘要筛选F2提升28.8%，全文筛选提升15%；数据提取从年份准确率0.97降至计算方法Jaccard 0.37，最强模型仅恢复30%评估证据。
- 影响
- 给出高召回筛选与证据完整提取之间的实用边界，做文献辅助工具的团队可据此判断LLM能承担哪一段流程。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SciLitBench评测22个开源LLM，最强模型仅恢复30%的评估证据和25%的局限性信息。
- •基准含42,981条检索记录、1,012篇全文、888篇纳入论文的标注。
- •明确的纳入排除标准使标题摘要筛选F2提升28.8%，研究者撰写的理由使全文筛选提升15%。
- •数据提取可靠性断层：出版年份准确率0.97，计算方法Jaccard仅0.37。
- •覆盖六个模型家族的22个开源权重模型。
为什么重要：划出了LLM辅助系统综述的实用边界：高召回筛选可用，证据完整提取仍不可靠。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。