報告越篤定，越要回看證據：研究智能體的「抹平」與證據配比

句句都有真實出處，為何研究報告的結論依然失真

設想投研、法務或媒體的審閲人檢查一份研究智能體起草的綜述。報告每段末尾都附有真實連結，抽查幾處後確有相關語句，審閲人便予放行。但原文只證明「某方法在特定小樣本實驗中有效、高並發下失效」，報告卻寫成了「充分證據表明該方法普遍優於傳統方案」。

這種失真不同於捏造虛假判例，也不同於工具格式化遺漏截斷上限。此處引用的材料完全真實，問題出在結論的力度、範圍與證據池構成上。當複核只問「有無引用」時，兩類隱患便會漏網：一是智能體綜合多份文獻時抹去限定條件，把局部證據誇大為普適定論^[1]；二是進入上下文的文檔雖各自屬實，卻集中於單一立場，使回答整體偏斜^[2]。

從單篇概括偏差到多源「抹平」與立場失衡：三項實證機制

概括單篇文獻時，這種放大已有先例。Peters 與 Chin-Yee（2025）對比了 10 個主流大模型生成的 4,900 篇科學摘要與原文：即便明確提示要求準確，多數模型仍給出比原文更寬泛的概括，其中三個模型在 26% 至 73% 的案例中過度概括；直接對比顯示，模型摘要出現寬泛概括的可能性接近人類摘要的五倍（比值比 4.85），且較新模型往往更差^[3]。

在跨多源文獻的研究智能體中，這一傾向演變為「論斷抹平」。Roy、Wadhwa 與 Durrett（2026）界定，一條論斷若同時滿足三項條件即為被抹平：（1）它是從彙總證據得出的結論；（2）部分引用證據確實支援其中至少一部分；（3）結論整體比全部引用證據所能支撐的更強或更寬泛——忠實表述應在證據混雜時保持保留、在支援有限時收窄範圍^[1]。作者從報告中提取結論性論斷，在報告自引文檔上分別運行提取支援證據的通道與收集限定、邊界或反駁證據的質疑通道，按維度聚類後由模型評判器按 1 至 5 分打分（3 分及以上為實質性抹平，4 分及以上為嚴重抹平）；在 73 條論斷的人工核驗中，評判器與人類標註員分差在 1 分以內的比例達 93%，一致性與兩名人類標註員之間相當^[1]。

在 7 個系統與 4 個研究基準的評測中，每個系統在每個數據集上都出現了實質性抹平，佔比至少 22%，多數系統超過論斷總數的一半；嚴重抹平跨系統差異懸殊，最低的兩個系統為 1% 至 4%，最高者達 22% 至 35%^[1]。抹平反覆呈現三種模式：無據拼合（把各自有據的片段拼成更強結論）、範圍擴張（把單一設定下的結果寫成普遍規律）與過早定論（使用「確鑿證明」「最佳方案」等字眼）；「哪種更有前景及原因」等比較型提問與主題綜述型提問尤易誘發抹平^[1]。作者還發現，被測智能體很少打開所引網頁：一個系統僅打開了所引頁面的 19%（主要靠中位長度 585 字符的搜尋摘要寫作），另一個僅打開 2%^[1]；作者據此認為，抹平部分取決於智能體選擇讀取哪些資訊^[1]。在一個基準 61 個問題上對兩個系統的干預表明，單加校準指令或單給完整全文都不足以單獨解決問題；唯有同時提供完整文檔與校準指令，實質性抹平才分別從 29% 降至 12%、從 61% 降至 25%，嚴重抹平幾乎消失（0.5% 與 2.2%），且報告未變短，論斷保留主旨並補上了限制條件^[1]。該結論受限於模型評判器評分（經 73 條校驗）與研究型基準問題；同一系統內文檔數與論斷長度同抹平幾乎無關，説明仍有其他因素^[1]。

即便讀了全文，證據池本身的構成仍可帶偏結論。Yang 等人（2026）圍繞 210 個爭議問題，向知識庫注入事實有據但偏向一端的文檔，測試四種污染濃度、兩個方向與不同供應商的四個生成模型^[2]。當主題平均污染佔比為 18.9% 時，四個模型均向污染方向偏移，且偏移隨濃度單調增加；由於每篇材料本身可核實，僅逐條核查論斷無法發現證據池一邊倒^[2]。作者在檢索與生成間加入「立場配平」層：經立場檢測後按「2 篇支援 + 2 篇反對 + 1 篇中立」固定配額選文，並配去偏提示詞，不增加額外模型調用。完整方案在全部八項設定中將立場偏移幅度降低約 0.106 至 0.350，跨模型測試僅單向殘留 +0.045 至 +0.063 的微小傾斜，單張圖形處理器上檢測 20 篇候選文檔僅耗時中位生成時間的約 1.5%^[2]。其侷限在於僅覆蓋英文、單一檢索器、單一問題源及模型生成的傾向文檔，且依賴立場類別與檢測標籤；該方法僅適用於真正存在爭議的問題，並非要求所有事實問題都拼湊「正反雙方」^[2]。

工程落地與 rlab.works 能力映射：論斷複核、閲讀留痕與配額約束

基於此，我們的工程判斷是：（1）在論斷層面並排展示支援與限定證據，核查結論力度與範圍是否匹配，而非只看有無引用；（2）記錄每處引用是否真正讀取全文，對僅靠摘要的論斷打標；（3）對爭議問題在寫作前固定支援、反對與中立證據配比；（4）同時向寫作端提供完整原文與校準指令；（5）重點盯防比較型與綜述型問題；（6）在人工關口展示反證與範圍邊界，允許審閲人下調措辭。

在 rlab.works 的智能感知與智能中樞模組中，可映射三項技能包與三項組件：

• 查資料與報告起草：智能感知的研究報告撰寫（S24）執行「拆解問題與範圍 → 收集材料 → 撰寫引用草稿 → 核對論據（人工關口） → 排版並匯出」，可配合有界的跨供應商研究工具循環（有迭代上限的檢索工具循環，返回引用與步驟證據）與有依據的文檔摘要（生成帶引用與源元數據的摘要，並標註兜底結果）。該包在法律行業可遷移：需替換論文來源與新聞主題模型，審查法律效力與判例適用性，不自動化出具法律結論。我們的工程判斷是在「核對論據（人工關口）」並排展示支援與限定證據，並標註引用頁是否已讀全文。
• 跨週期補查與複核：智能中樞的研究續查與歸檔（S08）執行「調取已有研究 → 制定補查計劃 → 批准後執行（人工關口） → 確認新發現（人工關口）」。該包在金融行業可遷移：研究執行仍需對接通用搜索與資訊增補隊列，因此整包未標為源數據直接支援的金融方案。我們的工程判斷是在「確認新發現（人工關口）」核查新證據是否收窄既有結論範圍，防止多輪彙總把局部結果抹平。
• 日常資訊彙集與簡報：智能感知的每日資訊簡報（S20）執行「採集並去重 → 提取事實 → 關聯相關事件 → 核實並篩選（人工關口） → 生成並發送」，可配合事件、實體與敍事圖譜構建（將文章關聯為事件與敍事，提取參與方及其立場）。該包在傳媒行業有源數據驗證：需配置欄目與訂閲範圍，編輯責任留在複核環節。我們的工程判斷是針對爭議議題在進入「核實並篩選（人工關口）」前核查立場配比。

需如實説明邊界：上述技能包均為基於合成數據演示的擬議未集成方案；三項組件雖經靜態源碼檢查標為可用，但目前均未對論斷力度與範圍打分、未強制立場配額，也不檢查被引用頁面是否真正打開——這些是我們從論文提煉的工程要求。本文不構成法律、投資或編輯建議。

研究智能體上線前的三項檢驗清單

• 核查全文打開記錄與雙條件輸入：確認日誌區分「僅讀搜尋摘要」與「已讀全文」，並為寫作環節同時配置完整原文與校準指令。
• 核查爭議議題的證據池配比：對存在合理分歧的問題，在檢索與生成間設定支援、反對與中立文檔配額，防止單邊材料主導結論。
• 核查人工關口的反證與降級機制：在「核對論據（人工關口）」「確認新發現（人工關口）」與「核實並篩選（人工關口）」同屏展示限定證據，支援審閲人下調措辭強度與範圍。