对照原始来源核验 AI 报告中的量化数字

可以得到什么

• 一份针对报告中具体数字（GPU 小时、性能提升、数据规模、计算成本等）的来源核对清单。
• 一份对每个数字"是否被原文直接支持"的明确判断：支持 / 部分支持 / 不支持 / 无法访问。
• 对找不到直接证据的数字，给出"删除、改写为不确定信息或补充可靠出处"的处理建议。

适合哪些情况

• AI 报告里出现具体数字，但缺少直接对应的来源。
• 多个 AI 模型在同一主题上给出相近数量级，但都未给出原始引用。
• 报告准备进入综述、论文或教学材料，需要对量化陈述负责。

需要准备什么

• 待核验的具体数字列表（GPU 小时、参数量、训练数据规模、提升百分比等）。
• 报告中给出的引用链接与文献题录。
• 可独立检索的入口：DOI、出版商页面、预印本平台、Google Scholar、Semantic Scholar。

常见做法

• 对每个数字检查"链接是否直接支持该数字"——题名相近、主题相关或链接可访问，都不等于论断被原文证明。
• 对 GPU 小时等高风险数字，记录硬件型号、实验条件和计算方式，与原文对照。
• 区分"论文实验得出的数字"与"模型推算出的数字"，后者不能当作论文结论引用。
• 多模型给出相近数量级不能替代原始证据。
• 找不到直接证据时，不补一句"据相关研究表明"就使用原数字。

真实案例与教程

• 玉树芝兰用 Perplexity Labs 生成反向学习调研报告并完成审计 — 玉树芝兰对"7B 模型需要超过 18 万 GPU 小时"等数字做原始来源核验的过程。

限制和检查点

• 访问受限（机构付费墙、地区限制）会让核验无法在本地完成，需要借助机构订阅或馆际互借。
• 部分论文是预印本或会议待发表版本，需在出版状态变化后重新核对。
• 量化数字核验完成前，不要把这些数字直接写入综述、论文或教学材料。

相关任务

• 审计 AI 生成的研究报告 — 本任务的上游（先发现异常，再逐项核验）。
• 区分 AI 报告的内部资产与外部证据 — 配套任务，确认数字对应的是外部论文还是模型内部推算。

相关方法

• 引用核验五层分层方法 — 量化数字核验所属的五层方法。

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 实测中对量化数字的核验。