一张图，发一篇Nature！

背景：科学进步依赖于对日益增长的学术文献进行有效整合，但学术出版物的快速增长使研究者难以全面掌握相关进展。大语言模型（LLMs）虽可辅助，但普遍存在幻觉生成、数据陈旧和引文能力有限等问题。研究目的：为应对准确性、全面性与透明性并存的科学文献综合挑战，研究者提出了OpenScholar，一种专用于科学问答的检索增强型语言模型，旨在从开放获取论文中定位相关段落并生成带有可靠引文支撑的综合性回答。结论：OpenScholar在多项指标上优于现有专有和开源系统，尤其在引文准确性和信息覆盖度方面表现突出，其生成的回答在质量上不逊于甚至优于专家撰写内容，并通过开源代码、数据和公共演示平台推动相关领域研究。