我们在进行文献检索时，往往先描述自己想要的内容，而这些需求可能只在论文中隐含出现；随着阅读的深入，需求会逐步累积；还有可能我们寻找的主题在现有文献中根本不存在。为此，作者提出了 CompLit 基准，覆盖 arXiv 的全部八个学科领域，并为每种需求设计了对应的诊断任务。\ \ 在标准查询下，最强的两种模型——Codex（GPT-5.6‑Sol）和 Claude Code（Opus 4.8）——分别能够正确回答 86% 与 87% 的问题。但当需求是隐式时，它们的准确率跌至 66%‑68%；在需求累积的情形下，分别再下降 6 个和 15 个百分点；面对没有对应论文的未满足查询时，模型最多会放弃 53% 的问题。\ \ 不同学科领域的表现并不一致，且所有模型在检索 2019 年前或 2023 年后的论文时准确率均有所下降。对模型的检索路径进行追踪发现，它们常常能够定位到正确或最接近的论文，却往往对结果的适用性判断失误。\ \ 在 CompLit 上取得好成绩意味着我们离能够信赖的文献检索代理更近一步——它们不仅能找到所需论文，还能在不存在合适论文时明确告知用户。\ \ 点评