在科學文獻檢索領域，一項由多所高校聯合開展的研究引發了廣泛關注。該研究通過系統性實驗發現，在處理復雜科學文獻查詢任務時，傳統檢索方法展現出超越最新AI技術的顯著優勢。這一發現挑戰了當前對智能檢索系統的普遍認知，為相關技術發展提供了新的思考方向。

研究團隊構建了名為SAGE的科學文獻檢索評估框架，包含1200個精心設計的查詢樣本，覆蓋計算機科學、自然科學、醫療健康和人文社科四大領域。每個領域配備5萬篇最新論文作為檢索語料庫，形成總規模達20萬篇的專用數據庫。查詢類型分為精確匹配的短答題和需要綜合分析的開放式問題，前者要求找到唯一正確答案，后者則需識別多個相關文獻。

實驗評估了六個主流深度研究智能體，包括GPT-5系列和開源系統DR Tulu。結果顯示，GPT-5在短答題任務中表現最優，精確匹配率達71.69%，但在處理開放式問題時，不同系統呈現差異化表現。值得注意的是，開源系統DR Tulu在精確檢索任務中超越了部分閉源系統，顯示出開源模型在特定場景下的競爭力。研究還發現，搜索次數與檢索質量并不成正比，部分系統通過更精準的查詢分解策略實現了更高效率。

在檢索器性能對比環節，傳統BM25算法在短答題任務中展現出驚人優勢，其準確率比基于大語言模型的檢索器高出約30個百分點。具體數據顯示，BM25在k=10設置下達到81.2%的平均準確率，而先進的AI檢索器gte-Qwen2-7B-instruct和ReasonIR分別只有63.0%和49.3%。這種差距源于智能體生成的查詢特征——現有系統更傾向于生成關鍵詞組合而非自然語言查詢，導致AI檢索器的語義理解能力無法充分發揮。

為提升檢索效果，研究團隊創新性地提出語料庫級測試時擴展方法。該方法通過大語言模型提取每篇論文的核心關鍵詞和元數據，包括發表場所、作者信息和引用次數等，并將這些結構化信息添加到文檔開頭。實驗表明，這種預處理方式使BM25在短答題任務中的性能提升8.18個百分點，達到83.98%的準確率。雖然AI檢索器也有改進，但幅度較小，凸顯了傳統方法對關鍵詞信號的敏感性優勢。

深入分析發現，不同查詢類型對信息要素的需求存在顯著差異。短答題主要依賴論文元數據、多模態細節和文獻間關系三類信息，任意兩類組合即可定位93.67%的目標論文。搜索方法直接影響信息要素的權重分配——使用網絡搜索時，系統更關注論文細節；而基于語料庫搜索時，文獻間關系成為主導因素。這種差異反映了底層技術架構對系統行為模式的深層影響。

研究團隊在實驗設計上采取嚴格規范，確保結果可靠性。網絡搜索實驗評估了專有和開源兩類智能體，通過官方API控制變量；語料庫搜索實驗則統一使用32000詞元的輸入限制，匹配主流模型的處理能力。在數據集構建方面，研究團隊從主要學術會議期刊采樣種子論文，通過引用重疊分析建立文獻關系網絡，并利用GPT-5-mini生成需要跨文檔推理的查詢樣本，確保評估任務的真實性和復雜性。

評估指標設計充分考慮了不同查詢類型的特性。短答題采用精確匹配標準，要求輸出必須完全包含標準答案；開放式問題則引入加權召回率，根據文獻相關性分配不同權重。這種差異化評估方式更準確地反映了系統在實際應用中的表現。語料庫構建遵循嚴格標準，僅選用開放獲取的最新文獻，并通過分層采樣確保領域覆蓋的均衡性。

該研究指出，當前深度研究智能體在推理密集型檢索任務中仍面臨挑戰，這類任務需要綜合處理元數據和文獻間關系。傳統檢索方法通過針對性優化展現出獨特價值，而數據增強策略可進一步挖掘其潛力。研究強調，技術協作需要更好適應查詢特征，在追求創新的同時不應忽視經典方法的有效應用。完整技術細節和實驗數據可通過論文編號arXiv:2602.05975v1查詢獲取。