找论文并不难，难的是找到真正支持一句话的论文。
这正是很多文献工具最容易失真的地方。一篇论文可能主题相关，可能包含相似医学术语，也可能来自同一个研究方向，但它并不一定真的支撑用户原本那句话。对研究者、学生和学术写作者来说，这会带来很重的人工判断成本：输入一句话，得到一批结果，然后还要自己逐篇判断到底哪些能用。
我们最近这一轮优化，重点就在缩短这段判断链路。
真正的问题不是“能不能找到论文”
在反查文献场景里，用户通常不是想拿到一个泛泛的阅读列表，而是在问更具体的问题：
- 哪些论文支持这句话？
- 哪些只能部分支持？
- 哪些结果其实并不支持，甚至方向相反？
这意味着，“相关性”本身是不够的。我们需要更接近“证据”。
长句和复杂 claim 的处理更稳定了
很多用户输入的不是几个关键词，而是正在写的真实句子，甚至一整段文字。里面往往同时包含多个子观点。
这一轮我们增强了长输入的处理方式，让复杂表达能够以更合理的句子单元被检查。这样做的好处是，后半句、第二个 claim、补充性的流行病学描述，不再那么容易被整体 query 稀释掉。
更直接地说，长句不那么容易变成一个过宽、过散的检索请求了。
中文输入的理解能力更强了
另一个非常重要的场景，是用户用中文表达观点，但需要找到英文生物医学文献。
这件事并不等于“翻译一下”就行。科学表达里，字面翻译很容易偏，过宽泛的改写又可能背离原意。
所以这一轮我们增强了中文 claim 的理解与匹配，希望系统尽量还原用户真正想表达的 scientific claim，而不是只做表层词汇匹配。
证据召回覆盖更广了
我们在测试中反复看到一个现象：前几条结果不够好，并不等于数据库里没有支持文献。
很多时候，支持性更强的论文其实存在，只是没有排到足够靠前的位置。因此，这一轮我们扩大了候选证据的召回覆盖，让系统在排序之前，先更充分地把可能有价值的结果找出来。
这能提高用户看到真正可用证据的概率，而不是只看到一批泛泛相关结果。
排序更偏向“支持”，不只是“相关”
一篇论文不应该只因为和 query 共享几个医学术语，就排到前面。
更重要的是，这篇论文是否更可能：
- 直接支持这句话
- 部分支持这句话
- 反对这句话
- 或至少在实质上回应这句话
这是一个非常关键的体验变化。用户真正需要的，不是“主题差不多”的论文列表，而是一个能减少判断工作量的证据列表。
现在支持按证据类型筛选
这一轮我们还补上了一个很实用的能力：结果支持按证据类型筛选，包括：
- 支持
- 部分支持
- 反对
- 存疑
这让结果页更适合真实使用场景。
比如：
- 如果你想给一句话补参考文献，可以先看“支持”
- 如果你想审查一句话是否站得住，可以优先看“反对”和“存疑”
- 如果文献结论并不完全一致，“部分支持”就很有价值
这些优化会带来什么效果
综合来看，这一轮优化不是简单地“搜得更多”，而是更努力地把结果推向“真正可用”。
用户现在更可能感受到：
- 长句处理更稳定
- 中文输入下的英文文献匹配更自然
- 候选证据覆盖更广
- 前排结果里“看起来相关但其实不支撑”的比例更低
- 找到可直接阅读和引用的论文更快
- 通过证据类型筛选更容易聚焦真正关心的结果
我们的目标很简单：尽量缩短“用户写下一句话”到“看到可判断证据”之间的距离。
这也是我们会继续优化的方向。