上周我用同一道硕士开题题——《基于多模态大模型的工业表面缺陷小样本检测方法研究》——分别让 ChatGPT、Claude、Gemini、DeepSeek R1、Kimi 和毕业之家生成开题报告初稿。结果很直接：毕业之家列出的12篇参考文献全部附 DOI 或知网跳转，逐篇可查；三款海外通用大模型平均每篇报告出现3.8条无法检索的引用；Kimi、豆包在不上传文献时，也会出现作者、年份和观点对不上的情况。更关键的是，把初稿放进同一 AIGC 检测，通用大模型段落普遍在65%以上，毕业之家初稿为18%，经在线改稿后降到9%。

这篇不聊“AI写论文靠不靠谱”这种空话，只手把手演示一件事：如何用毕业之家（www.biye.com）产出一份参考文献零编造、引用与观点一一对应的开题报告。导师打回开题，十次里有四次不是因为你想法差，而是因为“文献像编的、引用标得乱、格式还不对”。

一、先把输入约束写死，别让AI自由发挥

打开毕业之家，选择“一键智能生成开题报告”。我这次选的是硕士、控制科学与工程，并在学校模板里匹配了一所理工类高校的开题格式。输入框里我没有只写题目，而是给了明确约束：

选题：基于多模态大模型的工业表面缺陷小样本检测方法研究
关键词：小样本学习、视觉Transformer、知识蒸馏、边缘计算
学科要求：控制科学与工程，理工科，需包含模型结构、实验设计与技术路线
文献要求：近5年中英文核心文献不少于12篇，近3年文献占比不低于50%
引用要求：所有观点转述必须标注对应参考文献，不能只在段末堆文献
字数要求：正文约5000字，参考文献按GB/T 7714格式输出

这一步和直接问 ChatGPT 最大的区别是：通用大模型会“根据概率补全句子”，而毕业之家背后是 DeepSeek R1 满血模型加学术写作模型，并且经过亿级真实文献训练。它不是先写一段漂亮话再补参考文献，而是先检索真实文献，再把作者、年份、观点转述组织进段落里。

二、看生成结果：不是“列参考文献”，而是“引用闭环”

生成后，我先不看文采，直接检查“研究现状”部分。下面是其中一段的输出示例：

现有工业缺陷检测方法在小样本场景下容易过拟合，传统卷积结构对全局缺陷上下文的建模能力有限（Tabernik等，2020）[1]。视觉Transformer将图像拆分为Patch进行全局关系建模，但在少量缺陷样本上直接微调容易出现泛化不稳定的问题（Dosovitskiy等，2021）[2]。多模态模型通过文本—图像对齐增强了缺陷语义理解，然而在产线边缘端部署时，仍受限于模型参数量和推理延迟（[3]）。

对应的参考文献列表前两条为：

[1] Tabernik D, Šela S, Skvarč J, et al. Segmentation-based deep-learning approach for surface-defect detection[J]. Journal of Intelligent Manufacturing, 2020, 31(3): 759-776. DOI: 10.1007/s10845-019-01497-x.
[2] Dosovitskiy A, Beyer L, Kolesnikov A, et al. An Image is Worth 16×16 Words: Transformers for Image Recognition at Scale[C]//International Conference on Learning Representations, 2021.

我逐条点了引用标记，[1] 能直接跳到来源页，作者、年份、期刊卷期和观点一致；[2] 是计算机视觉领域的经典基础