SRC-LEARN-007：实测 Perplexity Labs：10分钟生成学术调研报告的全流程解析

来源摘要

这是一篇由大学教师王树义（玉树芝兰）发布在少数派的个人实测文章。文章围绕"大语言模型研究中反向学习的应用"这一调研主题，先用 Perplexity Labs 在约 10 分钟内生成带报告、引用、数据、图表和资源文件的研究初稿；再将完整报告交给 Raycast 中结合 Tavily 搜索的事实核查 preset 进行审计；最后由作者逐项打开链接、论文和 Google Scholar 完成人工复核。

文章同时记录了生成阶段的吸引力与核验阶段的摩擦：报告出现"7B 模型需要超过 18 万 GPU 小时"等缺少直接来源的数字、引用格式不规范、链接疑似失效、部分论文需机构登录、Semantic Scholar 链接待确认、学术来源与内部生成文件混放，以及一条标注了当时尚未到来的 2025 年 7 月会议日期。作者在复核中明确区分了"链接不存在"与"访问受限"，"未来日期"与"幻觉"，并最终把生成报告降级为可修改的初稿。

核心要点

• 输入侧： 宽泛主题被改写为结构化调研提示，明确概念边界、技术脉络、案例数、实验细节、成本收益、挑战、目标读者和 2000—2500 字报告、对比表、开放问题的交付格式。
• 生成侧： Perplexity Labs 输出报告正文、引用列表、数据、图表和 assets；作者完整保留全部产物用于后续核验。
• 审计侧： Raycast/Tavily 事实核查 preset 标记出量化数字缺证据、引用格式问题、链接访问受限、内部文件混入、未来会议日期等异常。
• 复核侧： 作者打开具体论文与附件，用 Google Scholar 检索"LLM Eraser"等题名，确认未来会议日期不一定是幻觉，访问受限不等于文献不存在，但量化数字仍需找直接证据。

作者结论与本文评估

作者对产品的整体评价偏积极，但同时强调"十分钟左右得到初稿 ≠ 十分钟得到可以引用或发表的研究结论"。这是一次针对单一主题（反向学习）的实测，没有公开逐条核验表、跨主题准确率或对照模型实验，因此不应把个案结论推广为 Perplexity Labs 的普遍可靠性。

价格与配额信息（每月 20 美元，含 50 次 Labs 配额）来源于 2025-06-09 的观察，价格、名称、额度和功能在 2026 年可能已变化，必须重新核验。

适用范围

• 需要快速建立陌生技术领域地图、整理案例与指标、生成调研初稿并愿意逐条核验的研究者、教师和研究生。
• 不适合没有学术检索经验、无法访问原论文，或准备直接引用生成数字的读者。

可关联的页面

• 玉树芝兰（王树义） — 本文作者，已有 creator 页。
• Perplexity Labs — 生成侧的核心工具。
• Raycast / Tavily — 审计侧的承载工具与搜索 API。
• 生成—审计—人工裁决三段式工作流 — 本文走过的"生成—审计—人工裁决"三段式。
• 引用核验五层分层方法 — 整理者从本文归纳的五层引用核验。
• 半真半假：AI 报告中的无据量化数字 — 本文明确警示的"半真半假"风险。
• 玉树芝兰用 Perplexity Labs 生成反向学习调研报告并完成审计 — 本次实测的完整案例页。
• 学习、教学与研究 — 本文所属主题索引。