By Unbug 纽约大学（New York University）的论文《Quantifying Claim Smoothing by LLM Research Agents》（arXiv:2610.35793）给深度研究 Agent 的一种系统性偏差起了名字：smoothing（平滑化，指把彼此冲突、条件各异的来源压成单一叙事时，丢掉证据的参差感，写出比引用所能支持的大胆得多的结论）。论文在 7 个系统、4 个数据集上测得：跨 7 个系统与 4 个数据集，agent 一致地产出强于证据所允许程度的结论，每个系统至少 25% 的结论（claim，指报告中可单独核查的判断句）拿到 SmoothScore ≥ 3（1-5 分制，分数越高磨得越平）。
拿证据对账的评分管线
SmoothScore 的做法是先从报告里抽出关键结论，再检索与每条结论相关的证据段落，按高层维度（aspect，指证据分歧所在线索，例如效果、适用条件、对比对象）聚类，最后由 LLM judge 对照证据给每条结论打 1-5 分：1 表示无平滑，≥ 3 为实质性平滑，≥ 4 为严重平滑。它查的不是结论真假，而是结论对证据的压缩是否忠实：证据混合就该保留混合，证据范围窄就该收窄范围。传统的逐条事实核查只给出有支持/无支持的二元判断，对综合叙事型结论缺少连续刻度，这条管线把测量拆成结论抽取、证据抽取、维度归纳、证据分配、打分五步。人工校验覆盖了 73 claims：两名标注员拿到同一份评分细则盲评，judge 与标注者 1 在 93% 的结论上相差 1 分以内，与两名标注员之间的相互一致性处于同一量级。
系统之间的差距比想象大
重度平滑（≥ 4）是系统之间拉开差距的地方。Gemini Deep Research 有 85-93% 的结论得分 ≥ 3，均分 3.05-3.27，严重平滑率 22-35%，约为其他闭源 agent 的 3-12 倍、Sol 的 13-26 倍；它引用的文档数约为 Luna 或 Sol 的 2-5 倍，报告在所有数据集上都是最长，但更长并不等于压缩得更有效。开源端的 DR Tulu 与 QUEST 约 59%/55% 的结论 ≥ 3、7-23% ≥ 4。最干净的是 Luna 与 Sol：至少 36% 的结论得分 = 1，即完全没有平滑，是其他系统的 1.5-2.7 倍。站内《编码智能体：知道却不说》测过报告与真实状态的另一种落差，可作参照。
没读过的页面写不出保留
平滑的一个嫌疑犯，是 Agent 根本没读过自己引用的页面。Luna 对 496 个引用文档只打开 95 个（19%），65 份报告里 45 篇一页未开；Claude Sonnet 5 的打开率只有 2%。它们几乎全靠搜索工具截断后的摘录干活，摘录长度中位数只有 585 字符，来源正文里的限定条件与反向发现，Agent 大概率从未看到。补救实验给出正面信号：把 SmoothScore 检索出的证据喂回给 Agent 修订报告，ResearcherBench 的专家评分 Luna +4.4、Sonnet +12.0（均 p<.001），补充上下文的体量只有原文档的五分之一到十分之一，效果持平甚至超过直接给全文。
这些数字全部来自论文自测口径，预印本尚未经同行评审；打分依赖 LLM judge，作者也承认在 ≥ 3 阈值上两名标注员的一致性只有 κ = 0.62。方向却是清楚的：报告读起来越像一份笃定的综述，越值得回头核对它引用的页面到底说了什么。站内《删掉一个前缀，近满分的投毒防御当场裸奔》同样提醒：评估口径本身，就是结论的一部分。
一分钟读论文：《AI卖家吹牛如何搞垮工具市场》