AI引文核查系统究竟能做什么？
AI系统能够自动核查引用的来源是否存在且可访问。最有力的证据来自2025年的一项研究：在医学诊断任务中，一个开源AI流水线（MBXAI/Qwen2）实现了完美的引文验证[1]。类似地，2026年的一款烧伤外科AI系统（BurnRAG）在人工审核中达到了100%的引文准确率，这意味着它引用的每一个来源都是真实且归属正确的[7]。这些系统通过检索增强生成（RAG）技术运作，该技术从经过筛选的文档数据库中提取信息，并将每个论断与其来源相关联。
人工智能还能验证来源是否在主题上与所支持的论点相关。2025年测试的引文验证协议（CVP）定义了一个三步骤流程：存在性验证、主题相关性评估和论点支持性验证。当应用于一份包含12条引文的技术报告时，CVP实现了100%的验证率，确认所有来源均真实存在、内容相关且支持相应论点[4][5][6]。这表明，对于规模较小且定义明确的引文集合，人工智能可以发挥极高的效能。
这些系统在哪些方面存在不足？
AI引文核查工具在处理细微错误时仍存在困难，尤其在法律语境中。一项2026年的研究发现，即便是最先进的模型（GPT-5）在识别伪造法律引文时，召回率仅为82.8%，F1分数为60.5%，这意味着它漏掉了近五分之一的虚假引文，且误报率较高[2]。该研究还指出，代理式验证（即AI通过多步骤核查引文）资源消耗巨大，GPT-5平均每段摘录需执行16.9个步骤[2]。这表明，对于复杂或微妙的引文，仅靠AI不足以可靠地捕捉所有错误。
另一个局限在于，人工智能系统往往依赖商业数据库或经过筛选的语料库，这可能引发不平等问题。同一项2026年的法律研究指出，信息获取受限会削弱即使是最优智能体的效能，使缺乏商业法律数据库订阅的AI系统与诉讼当事人均处于不利地位[2]。此外，2023年一篇关于数据引用的论文强调，当前许多引用实践容易受到"内容漂移"的影响——即与标识符关联的数据会随时间推移发生变化[3]。仅在单一时间点核查引用的AI系统可能无法察觉这一问题。
你该相信AI能独立核查引用吗？
不，证据强烈支持将人工智能作为验证辅助工具，而非人类判断的替代品。CVP协议明确指出，它“不会自动化判断、评估论证质量或保证正确性”，并要求研究人员亲自阅读和评估原始资料[4]。2026年的法律研究也印证了这一点，该研究发现，即使是最优秀的人工智能模型也难以应对细微的错误类别，从而引发了政策层面的担忧[2]。烧伤手术系统（BurnRAG）虽然实现了100%的准确率，但它是为狭窄且经过精心筛选的领域（烧伤手术文献）设计的，并且仍需人工审核[7]。
最有效的方法是将人工智能的速度与规模同人类监督相结合。例如，T21研究助手（一个2026年用于唐氏综合征研究的系统）采用多阶段流程，其中包含引文验证环节，但该系统基于一个包含1789篇出版物的精选语料库构建[8]。这确保了人工智能以可靠来源为基础，但该系统的设计宗旨是辅助研究人员，而非取代他们。纵观上述研究，一致的结论是：人工智能可以自动化引文核查中繁琐的部分——例如确认链接是否有效或来源是否存在——但关于引文是否真正支撑论点的最终判断，仍应交由人类专家。
关于这些来源
该答案基于8项研究（4篇经同行评审，4篇预印本）——发表于2023年至2026年间，其中7篇为2024年或之后发表，1篇发表于Q1期刊——这些研究从通过质量筛选的8项研究中被选为最相关的内容，而后者又源自从超过5亿篇论文的数据库中检索出的56篇文献。
本文引用的文献
面向真实世界急诊科场景的接地气大语言模型诊断预测研究
在一项2025年针对79例急诊病例的研究中，开源AI流程（MBXAI/Qwen2）实现了完美的引文验证，而所有流程均显示诊断准确性更多取决于病例特征而非模型选择。
谁在核查引用？法律幻觉检测基准评估
一项针对2026年超过1000份法律文件的研究发现，即便是最优秀的人工智能模型（GPT-5），在检测虚构引用时也仅达到82.8%的召回率和60.5%的F1分数，所有模型在处理细微错误时均表现不佳。
签署数据引用可实现数据验证与引用的持久性。
一篇2023年的论文提出了“签名引用”概念，其中包含数字内容签名，从而能够独立验证被引用的数据，并防止内容漂移——即与标识符关联的数据随时间发生变化的情况。
引用验证协议（CVP）
2025年引文验证协议（CVP）提供了一个结构化、平台无关的框架，用于验证引文的存在性、相关性和对论点的支撑作用，并在包含12条引文的测试集上实现了100%的验证率。
RICO 引用验证报告（v1.0.1）
一份2025年的验证报告将CVP应用于一份包含12条引用的技术报告，在存在性、主题相关性和主张支持维度上均实现了100%的验证率。
RICO引用验证报告
一份2025年验证报告（v1.0.2）确认，一份技术报告中的12条引用已通过CVP的三部分方法实现100%验证，这些引用涵盖2017至2025年间的四个研究领域。
基于循证医学的AI临床决策支持系统，用于急性烧伤护理与复杂重建。
2026年烧伤外科AI系统（BurnRAG）在人工审核中实现了100%的引用准确率，从包含4683篇论文的精选语料库中，每次查询平均综合引用6.8篇同行评审来源。
一款由人工智能驱动的唐氏综合征研究助手。
一名2026年唐氏综合征（T21）研究助理使用基于分段的检索增强生成系统，结合包含1,789篇出版物的精选语料库，在专家策划的问题上实现了0.712的BERTScore F1值和0.758的召回率。