新智元報(bào)道
編輯論文：艾倫
【新智元導(dǎo)讀】《Nature》重磅：80 億參數(shù)小模型 OpenScholar 終結(jié)「參數(shù)崇拜」！它摒棄死記硬背，憑「檢索+自查」根治幻覺，在科學(xué)綜述任務(wù)上表現(xiàn)超越行業(yè)頂尖巨頭論文。
昨天，一篇剛剛登上《Nature》正刊的論文，開源了名為 OpenScholar 的模型，也同時被 Science 報(bào)道了論文。
它只有 8B 參數(shù)，但正是這個小模型，在科學(xué)文獻(xiàn)綜述任務(wù)上，擊敗了旗艦?zāi)Ｐ?strong>論文。
這是一場范式轉(zhuǎn)移的信號：在嚴(yán)謹(jǐn)?shù)目茖W(xué)探索中，全知全能的「黑盒」記憶已成過去，精準(zhǔn)調(diào)用的「外掛」知識庫才是未來論文。
展開全文
告別幻覺
彼時，科研人員對通用大模型愛恨交織論文。
恨意主要源于那個致命缺陷——幻覺論文。
當(dāng)時的數(shù)據(jù)令人觸目驚心：當(dāng)被要求回答生物醫(yī)學(xué)等領(lǐng)域的專業(yè)問題時，AI 偽造引用的比例一度高達(dá) 90%論文。
它能自信地編造出不存在的論文標(biāo)題、作者甚至頁碼論文。對于需要字斟句酌的科學(xué)研究，這種不可靠性是毀滅性的。
OpenScholar 的出現(xiàn)，正是為了修正這一偏差論文。
由華盛頓大學(xué)和艾倫人工智能研究所（Ai2）主導(dǎo)開發(fā)的這套系統(tǒng)，本質(zhì)上不再試圖讓模型「記住」所有知識，而是教會模型如何像人類學(xué)者一樣去「查資料」論文。
OpenScholar 并不依賴參數(shù)中的模糊記憶，它外接了一個包含 4500 萬篇開放獲取論文的巨型數(shù)據(jù)庫論文。
當(dāng)你提出一個問題時論文，它不會直接生成答案，而是執(zhí)行一套嚴(yán)密的流程：
檢索：先在 4500 萬篇文獻(xiàn)中快速撈取最相關(guān)的片段論文。
重排序：利用交叉編碼器對片段進(jìn)行精細(xì)篩選，去偽存真論文。
生成與反饋：這是最關(guān)鍵的一步論文。模型生成答案草稿后，會進(jìn)行自我審查——「這句話有證據(jù)支持嗎？」如果發(fā)現(xiàn)證據(jù)不足，它會發(fā)起第二輪、第三輪檢索，直到每一條論述都有確鑿的文獻(xiàn)背書。
檢索：先在 4500 萬篇文獻(xiàn)中快速撈取最相關(guān)的片段論文。
重排序：利用交叉編碼器對片段進(jìn)行精細(xì)篩選，去偽存真論文。
生成與反饋：這是最關(guān)鍵的一步論文。模型生成答案草稿后，會進(jìn)行自我審查——「這句話有證據(jù)支持嗎？」如果發(fā)現(xiàn)證據(jù)不足，它會發(fā)起第二輪、第三輪檢索，直到每一條論述都有確鑿的文獻(xiàn)背書。
結(jié)果是降維打擊式的論文。在涵蓋計(jì)算機(jī)科學(xué)、物理學(xué)等領(lǐng)域的 ScholarQABench 基準(zhǔn)測試中，OpenScholar-8B 的正確率不僅超越了當(dāng)時的旗艦?zāi)Ｐ?，更將推理成本降低了兩個數(shù)量級（約 0.003 美元/次）。
它證明了在特定領(lǐng)域，一個帶了「圖書館」的本科生，比一個赤手空拳卻愛產(chǎn)生幻覺的博士生更可靠論文。
DR Tulu
從「回答問題」到「深度研究」
如果說 OpenScholar 解決的是「準(zhǔn)確性」問題，那么素材中提及的后續(xù)迭代版本——DR Tulu（Deep Research Tulu），則是在向「深度」進(jìn)軍論文。
科研往往不是簡單的一問一答，而是漫長的探索與綜合論文。
2025年11月發(fā)布的 DR Tulu，針對的是長篇幅、多維度的「深度研究」任務(wù)論文。
它的核心突破在于引入了「演化評分規(guī)則的強(qiáng)化學(xué)習(xí)」（RLER, Reinforcement Learning with Evolving Rubrics）論文。
在以往的訓(xùn)練中，AI 很難判斷一篇長達(dá)數(shù)千字的文獻(xiàn)綜述寫得好不好論文。
DR Tulu 并不依賴固定的評分標(biāo)準(zhǔn)，而是讓模型在搜索和研究的過程中，動態(tài)生成針對當(dāng)前問題的評分細(xì)則論文。
它既學(xué)習(xí)「什么是好的研究策略」（如挖掘冷門數(shù)據(jù)源），也學(xué)習(xí)「什么是壞的行為」（如為了湊字?jǐn)?shù)而堆砌引用）論文。
這種訓(xùn)練讓 DR Tulu 具備了更強(qiáng)的規(guī)劃能力論文。
面對復(fù)雜的科學(xué)命題，它能像成熟的研究員一樣，先制定大綱，再分頭檢索，最后綜合多源信息撰寫長篇報(bào)告論文。
在最新的測試中，DR Tulu-8B 的表現(xiàn)已經(jīng)足以比肩甚至超越當(dāng)時的旗艦專有模型，且代碼和權(quán)重完全開源論文。
幕后推手：Akari Asai
這一系列顛覆性工作的核心人物，是即將于2026年秋季入職卡內(nèi)基梅隆大學(xué)（CMU）的 Akari Asai（淺井明里）論文。
這位從東京大學(xué)本科畢業(yè)、在華盛頓大學(xué)獲得博士學(xué)位的年輕學(xué)者，是近年來「檢索增強(qiáng)生成」（RAG）領(lǐng)域最活躍的聲音之一論文。
早在 Meta AI 實(shí)習(xí)期間，她就致力于解決大模型的知識瓶頸問題論文。
Akari Asai 的研究哲學(xué)非常清晰：不要試圖把世界裝進(jìn)模型里，要讓模型學(xué)會擁抱世界論文。
她主導(dǎo)的 OpenScholar 和 DR Tulu 項(xiàng)目，不僅是技術(shù)上的精進(jìn)，更帶有一種強(qiáng)烈的「民主化」色彩論文。
通過開源高性能的小模型和檢索架構(gòu)，她正在打破只有科技巨頭才能壟斷頂級科研 AI 工具的局面，讓全球資源匱乏地區(qū)的科學(xué)家也能擁有一位不知疲倦的「超級科研助理」論文。
結(jié)語
科學(xué)的本質(zhì)不是記憶，而是發(fā)現(xiàn)論文。
當(dāng)我們將 AI 從死記硬背的參數(shù)競賽中解放出來，賦予其查閱、驗(yàn)證和反思的能力時，我們創(chuàng)造的不再是一個僅僅會聊天的機(jī)器，而是一把能幫人類在浩瀚知識海洋中披荊斬棘的利刃論文。
未來的科研，或許不再取決于你讀過多少論文，而在于你如何駕馭那位讀過所有論文的 AI 助手論文。
參考資料論文：
秒追ASI
