玉树芝兰用 Perplexity Labs 生成反向学习调研报告并完成审计

背景和目标

大学教师王树义（玉树芝兰）希望在"大语言模型研究中反向学习的应用"这一主题上快速建立调研初稿。他既想看到 AI 研究工具的吸引力，也想亲自核验生成产物的可靠性，因此把任务拆成"生成—审计—人工裁决"三段。

输入与条件

• 主题： 调查大语言模型研究中反向学习的应用。
• 结构化提示要求： 明确 Reverse Learning 与 Unlearning 的概念边界、技术脉络、3—5 个研究案例、伪代码、实验设置、指标与量化结果、计算成本与收益、前沿挑战，读者限定为有机器学习基础的研究者。
• 交付格式： 约 2000—2500 字报告、对比表、开放问题清单。
• 审计工具： Raycast 中结合 Tavily 搜索的事实核查 preset。
• 复核工具： DOI、出版商页面、Google Scholar、Semantic Scholar 等独立检索入口。

过程

第一段：生成

• Perplexity Labs 在约 10 分钟内生成报告及配套数据、图表和资源文件。
• 作者完整保存正文、引用列表、assets。

第二段：审计

• Raycast/Tavily preset 给出具体异常：
  • "7B 模型需要超过 18 万 GPU 小时"等量化数字缺少直接来源；
  • 引用格式不规范；
  • 部分链接疑似失效；
  • 部分论文需机构登录；
  • Semantic Scholar 链接需进一步确认；
  • 学术论文、内部生成文件与图片混放在同一来源集合；
  • 一条文献标注了当时尚未到来的 2025 年 7 月会议日期。

第三段：人工裁决

• 打开具体论文与附件，用 Google Scholar 检索"LLM Eraser"等题名。
• 确认未来会议日期不一定是幻觉，可能是已公布但尚未举行的会议安排。
• 区分"链接不存在"与"访问受限"——付费墙不等于文献不存在。
• 把内部生成文件作为报告附件保留，但不包装成外部学术证据。
• 最终把报告降级为"可修改的初稿"，对未核实内容加标记。

产物或结果

• 一份带引用、对比表与图表的反向学习调研报告初稿。
• 一份具体的异常清单与分类裁决依据。
• 一份"生成—审计—人工裁决"三段式的可复用经验。

限制

• 仅一次主题、一次产物、一次审计，不能推广为 Perplexity Labs 的普遍准确率。
• 没有公开全部引用逐条核验表。
• 部分论文受机构订阅限制，本地无法访问。
• 价格与配额信息（每月 20 美元、50 次 Labs 配额）观察日期为 2025-06-09，2026 年实际状态需重新核验。
• 旧版 Deep Research 类工具可能在真实背景中掺入虚假数字或成果，本案例中作者使用 Perplexity Labs 时未直接证实这一问题，但提示读者警惕。

相关教程和工具

• Perplexity Labs — 本案例的生成侧工具。
• Raycast — 承载事实核查 preset 的外壳。
• Tavily — 被 preset 调用的搜索 API。
• 玉树芝兰（王树义） — 本案例作者。
• 生成—审计—人工裁决三段式工作流 — 本案例走过的完整三段式。
• 引用核验五层分层方法 — 本案例使用的引用核验分层。

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 在少数派发表的原文章。