半真半假：AI 报告中的无据量化数字

风险描述

在主题、术语、文献和多数叙述都显得合理的研究文本中，AI 模型可能混入缺乏直接证据的数字或成果。这种错误比完全虚构更难发现：报告"看起来对"，但具体数字（GPU 小时、性能提升、数据规模、计算成本）找不到对应的原文支持。

典型表现

• 报告中出现具体数字（如"7B 模型需要超过 18 万 GPU 小时"），但没有可直接支撑的原始来源。
• 多个 AI 模型在同一主题上给出相近数量级，但都未给出可核验的引用。
• 数字使用了具体硬件型号、训练数据规模或时间窗口，但报告中并未说明计算前提。
• 数字可能来自模型推算而非论文实验，却被包装成"论文中的实验结果"。

为什么容易漏检

• 主题背景真实、术语正确，读者倾向于默认数字也真实。
• 链接存在但只是"题名相近"的另一篇论文，肉眼难以分辨。
• 多模型一致时容易被误认为"已交叉验证"。
• 量化陈述往往嵌在长段落里，逐字核验成本高。

检查与缓解

• 把所有量化陈述单独列清单，逐项找直接来源。
• 对每个数字记录：硬件型号、实验条件、计算方式、原文位置。
• 找不到直接证据时：删除数字、改写为不确定信息、或补充可靠出处。
• 多模型一致不能替代原始证据；让不同模型互审也不能替代读原文。
• 对综述、论文或教学材料中的引用数字负责到底。

关联风险

• AI 给的链接不等于已经核实（带引用也不可靠的七类错误） — 已有"链接存在不等于已核实"风险，半真半假是其量化版本。
• 事实核查工具对未来日期与受限访问的误报 — 审计工具对量化数字以外的异常也可能误报。
• 内部资产被混入 AI 报告的外部引用集 — 内部资产中的数字若被包装成外部证据，会加剧半真半假问题。

关联方法与任务

• 引用核验五层分层方法 — 五层分层中的第五层（论断支持性）专门处理此风险。
• 对照原始来源核验 AI 报告中的量化数字 — 对照原始来源核验 AI 报告中的量化数字。

来源

• SRC-LEARN-007：实测 Perplexity Labs：10分钟生成学术调研报告的全流程解析 — 玉树芝兰 2025-06-09 实测中明确警示的"半真半假"风险形态。