CiteTrue 对比 ZeroGPT
ZeroGPT 想回答的是"这段文字是不是 AI 写的"。CiteTrue 回答的是一个更窄、也更可核查的问题:"这些引用存不存在?它们是否支持文中的说法?"后一个问题有明确答案,点开链接就能验证;前一个没有。
为什么我们的结论站得住
多数引用核查工具把判断整个交给大模型,再把模型说的话展示给你。可模型会产生幻觉 —— 这恰恰是这个品类存在的原因。所以我们把模型放在最后一步,而不是第一步。
- 01
1. 先解析,不猜
每条引用先由针对引用格式写的解析器拆成作者、标题、年份、期刊、DOI,而不是问模型「你觉得标题是哪段」。
- 02
2. 到权威库里查
拿解析出来的字段去 Crossref、OpenAlex 检索;没有 DOI 的再查开放网络。拿回来的是带真实标识符的真实记录。
- 03
3. 用确定性算法打分
候选记录用 Sørensen-Dice 对标题分词打相似度。标题分数过 0.7,并且作者也对得上,才算匹配成功;年份对不上会作为提示单独标出,不会被悄悄放过。同一条引用,每次算出来的分数都一样。
- 04
4. 到这一步才请模型出场
只有当确定性匹配没能找出可信结果时,才调用大模型 —— 让它读候选记录和原文,判断有没有对得上的。它是兜底,不是裁判。这个顺序决定了幻觉没有入口:轮到模型时,证据已经摆在桌面上了。
落到实处就是:这里标为可信的引用,是在标题和作者两个维度上匹配到了一条真实记录,而且你可以点开那条记录 —— 而不是模型觉得这条引用「看起来像真的」。
跑完一份参考文献要多久
核查一条引用意味着在多个来源里查好几次。一条一条排队跑,正是长参考文献让人等到不耐烦的原因。我们让它们并行跑,并且边跑边把结果推回来。
- 并行核查条数
- 应用内 20 条同时跑,API 放宽到 100 条
- 一份 50 条的参考文献
- 拆成三批并行查,而不是排成五十个队列
- 出结果的方式
- 逐条流式返回 —— 前面的结论已经能看,后面的还在跑
- 批量场景
- 一摞学生论文走 API,并发是应用内的五倍
各自擅长什么
| 对比项 | CiteTrue | ZeroGPT |
|---|---|---|
| 它回答的问题 | 这些引用存在吗?支持文中的论断吗? | 这段文字看起来像 AI 写的吗? |
| 结论能否被验证 | 能 —— 每条结论都链到它依据的那条记录 | 不能 —— 只有一个概率分,背后没有可打开的依据 |
| 误伤风险 | 未通过的条目会指明是哪条、为什么,可以被讨论和反驳 | 这类检测器已知会误判人类写作,对非母语作者尤其如此 |
| 用于学术诚信调查 | 可以摆到作者面前的证据 | 作为唯一证据,普遍不被认可 |
| 费用 | 每天 30 条免费,之后 $5.99/月起 | 有免费档,另有付费方案 |
| 便捷度 | 粘贴参考文献,逐条出结果 | 粘贴正文,整段给一个分数 |
那到底该用哪个?
如果你想判断一份文稿是否可信,伪造的引用是硬证据,检测器的分数不是。先查引用 —— 这个结论在与作者对质时站得住,而一个概率分站不住。