基准文献 + 第二模型作为问题发现器（Anchor-paper + Cross-model Audit）

定义

以原论文摘要或结论为"基准文献"，把已经生成的报告全文交给另一模型，要求输出（1）可能捏造的术语/数据/引用清单，（2）可能断章取义的位置，（3）最薄弱论点与反驳，（4）预估评分与一句话主要问题，（5）三条具体修改指令。第二模型被定位为"问题发现器"，不是权威审稿人。

为什么需要它

学生自审容易遗漏模型生成内容中的幻觉和断章取义；第二模型提供独立的检查视角，可以输出可操作的问题清单，作为人工复核的入口。

关键操作

1. 选择一篇论文作为基准文献，把其摘要或结论整理成稳定文本。
2. 把报告全文与基准文献一并交给第二模型，同时给出明确的审计问题清单。
3. 要求第二模型给出具体问题位置，而不是泛泛评价。
4. 把审计输出当作后续复核入口，不是自动判决。
5. 对每条"可能幻觉""引用不支持""论点薄弱"提醒，逐项回到原 PDF、课程材料和可验证题录中裁决（参见 回到原始证据裁决（Back-to-source Verdict））。

与已有方法的关系

• 与 教学输出的人工验收清单（教材/课标/学情/隐私） 在精神上同源（都需要人工回到原文核对），但本文场景是学生写论文而非教师备课，且强调"双模型作为问题发现器"而非"第一模型产出、第二模型裁决"。
• 与 LLM-as-judge 文献中的争议一致：两个模型可能共享训练偏差，审计输出可能重复相同错误。

限制

• 两个模型可能重复相同错误；审计输出存在共享偏差（见 双模型审计的共享偏差与"审计 ≠ 判决"边界）。
• "预估评分"不等于教师真实评分。
• 来源未提供 DOI 逐条核验表，也没有证明模型可以保证引用真实。
• 审计输出不能替代原文核验；学生仍需自己打开 PDF 和课程材料确认。

适用范围

学生已具备回到原文裁决的时间与能力的研究报告写作；不适合完全依赖 AI 的"提交即用"场景。