Identity#
Tiasa Singha Roy、Manya Wadhwa、Greg Durrett，Quantifying Claim Smoothing by LLM Research Agents，2026，arXiv:2610.35793v1，首次提交 2026-10-26T17:29:48Z。v1 HTML。本轮窗口内新预印本。
2026-10-28 实读 §1–6；Table1 只核 ResearcherBench/CS2 部分，不称全部 28 cells 已核。增读 AppendixA.1–A.3/Tables8–10、E.5/Table16、F 开头/Table17 部分；未完整 prompts/C/D/G、代码数据、PDF/图像或复现。主控另独立核 §5.1/Table3、Table6、AppendixC 关键文字与 Table13 的一致性。
Mechanism-and-data#
§2.1 将 claim smoothing 定义为：聚合结论至少部分得到证据支持，但相对整组证据，结论范围更广或置信更强。SmoothScore 保留方向、范围与限定地抽取 conclusive claims，对报告已引用文档分别抽支持和质疑证据，按 aspect 归并、保留出处，再给 1–5 ordinal 分；至少 3 为 material、至少 4 为 severe，5 分还包含纯 hallucination。因此不等于所有高分都有支持，也不是支持文献篇数投票或穷尽全球文献。
最终裁判 GPT5，其余主要 pipeline GPT5mini medium。ResearcherBench 65、ScholarQA-CS2 25；DRB-II English 66→18、ResearchRubrics 101→17，经人工筛开放/高综合问题。七系统是当时论文的配置，没有评价本库当前 Sol6.1/Astra 配置。
Controlled-comparison#
Table6 在 ResearcherBench 61 问题分别重新生成四臂：web、web 加 calibration instructions、只读原 web 报告引用的全文并关闭搜索、全文加同样 instructions。Luna 四臂 claim 数为 416/397/390/378，平均 ordinal 分 1.95/1.88/1.80/1.52；按原表至少 3 的百分比栏相加约 29.4%/25.7%/23.4%/12.1%。它们不是同一组 claims 的逐条配对，全文臂改变访问模式与搜索，组合臂还加 instruction；报告可长 1.2–1.6 倍，不能将全部差异单归因读全文或把末两比例当同分母精确风险减半。
Measurement-limits#
§5.1/Table3 的两标注者盲系统身份，同 rubric 核 73 claims。人间 exact 58%、within-one 96%；judge 对 annotator1 exact 56%、within-one 93%。在 judge 至少 3 的 claims 中，62% 被 annotator1 也标至少 3；这是条件阈值一致率，不能当真实客观风险、普遍精确率或自动审批可靠性。人间二值阈值 kappa 为 0.62，是另一统计量。
**来源内部未解决差异：**AppendixC 首段的 ordinal alpha 写 0.62 对 0.64，紧随 Table13 与 §5.1/Table3 则分别报告 judge–annotator1 0.68、人间 0.71。本库保留差异，按表描述时明确表号，不自行裁定正文或表哪处正确；该矛盾也不改变上述 exact 与阈值比例各自的定义。
支持结论范围与整组证据。评分仍有模型、rubric、抽取与引用集合边界，不能替代人工判断或扩展为本库读者理解效果。