對採購團隊、開發者同研究人員嚟講，呢個窄結論反而更實用。因為「可追溯」唔係一個模型名就可以保證，而係成個工作流程能否做到：一個重要 claim 出現時，審閱者可唔可以一路追到 URL、文件、檢索片段、上載檔案，或者其他可檢查嘅材料。

來源追溯應該分清三樣嘢

好多 AI 研究產品會將幾件事混埋一齊講。實際審核時，最好分開睇：

• 引用 citations： 答案入面可見、指向來源嘅標記。
• 來源留存 source capture： 系統有冇保存生成答案時用過嘅網頁、文件、檔案、chunk 或檢索結果。
• 推理痕跡 reasoning artifacts： 例如 thinking summary、scratchpad 式內容、內部推理控制。呢啲可能幫到設計工作流，但唔等於證明某個事實 claim 來自邊份材料。

引用係最易見到嘅一層，但單靠引用唔夠。更強嘅測試係：審閱者能否由一句說法，去到對應嘅證據位置，再親自核對。

OpenAI：網頁引用展示要求最清楚

喺今次來源入面，OpenAI 最清楚嘅 provenance 要求出現喺 Deep Research 文件：當向最終用戶展示網頁結果，或者展示來自網頁結果嘅資料時，行內引用應該清楚可見，而且可以點擊 。

呢點重要，因為如果連結只係收埋喺 metadata，或者同支持嘅說法分開，來源追溯力就會弱好多。OpenAI 另外亦提供 citation formatting 指引，講點樣準備可引用材料，同點樣指示模型有效格式化引用 。OpenAI Deep Research API 範例亦指，回應包括結構化最終答案、行內引用、推理步驟摘要同來源資訊 。OpenAI Help Center 亦表示，Deep Research 輸出包括引用或來源連結，讓用戶可以驗證資料 。

可以講嘅有限但重要：就網頁研究工作流而言，OpenAI 文件對引用展示講得相對明確。不過，呢啲文件唔等於證明每一條引用都準確，亦唔能夠建立任何關於 GPT-5.5 Spud 嘅模型專屬結論。

Anthropic：文件為本引用機制最清楚

Anthropic 呢邊，今次最強嘅文件證據集中喺兩方面：Claude Opus 4.7 嘅定位，以及 Claude 引用文件嘅機制。Anthropic 將 Claude Opus 4.7 描述為最新一代 Claude 模型之一，並建議複雜任務可考慮由 Claude Opus 4.7 開始，稱它是公司最有能力、可普遍使用嘅模型 。

至於來源追溯，關鍵係 Anthropic 嘅 citations 文件。文件表示，當 Claude 回答有關文件嘅問題時，可以提供詳細引用，幫助用戶追蹤同驗證回應中嘅資訊來源；前提係要提供文件並啟用 citations 。文件亦講到引用粒度：純文字同 PDF 文件預設會自動按句子切分；如果開發者需要更細控制，可以使用 custom content documents 。

Anthropic PDF support 文件亦有一個同 provenance 有關嘅細節：Converse API 嘅視覺 PDF 分析要求啟用 citations 。另外，Anthropic Files API 讓開發者上載同管理 Claude API 使用嘅檔案，毋須每次請求都重新上載同一內容 。檔案管理本身唔證明引用一定準確，但如果配合已保存來源同 claim-level citations，就可以支援更強嘅審核軌跡。

Scratchpad 同 thinking block 唔等於證據來源

評估「研究來源追溯」時，最大陷阱之一係將模型嘅推理痕跡當成證據。兩者唔係同一回事。

OpenAI 嘅 reasoning best practices 文件表示，reasoning models 係內部進行推理，並建議開發者唔好要求模型 step by step 思考或解釋 chain of thought 。OpenAI reasoning models 指南則聚焦 reasoning effort、reasoning tokens、跨輪保留 reasoning state 等控制 。

Anthropic 對 thinking 機制有更多術語。其 prompt caching 文件表示，使用 extended thinking 配合 prompt caching 時，thinking blocks 有特殊行為 。extended thinking 文件亦區分 Claude 4 及之後模型嘅 full thinking tokens 同 summarized output 。Anthropic release notes 提到一個 display field，可在回應中省略 thinking content；Claude Code 文件亦表示，在 skill 內容加入 ultrathink 可為該 skill 啟用 extended thinking 。

呢啲功能可以幫開發者調校複雜工作流，但 scratchpad、隱藏 chain of thought，或者推理摘要，都唔能夠證明某句 factual claim 來自某個 URL、文件或檔案。實務上，應將 reasoning artifacts 視為輔助背景，而唔係來源審核軌跡。

審核 AI 研究工作流：一張實用 checklist

與其單靠模型名落注，不如問成個流程經唔經得起覆核。

1. 有冇可見嘅 claim-level citations。 對網頁來源資料，OpenAI Deep Research 文件要求向用戶展示時有清楚可見、可點擊嘅行內引用 。對 Claude 文件流程，Anthropic 文件記載在提供文件並啟用 citations 時可作引用 。
2. 有冇可檢查嘅來源材料。 唔好只保存最終答案；要保留答案背後用過嘅材料。OpenAI Deep Research API 範例提到 source information，Anthropic Files API 則支援 Claude API 工作流重用已上載檔案 。
3. 引用粒度夠唔夠細。 有用嘅引用應該指向相關證據，而唔係一大包模糊來源。Anthropic 文件記載純文字同 PDF 預設按句子切分，亦可用 custom content documents 作更細控制 。OpenAI 亦另有準備可引用材料同提示模型格式化引用嘅指引 。
4. 推理同證據要分開。 Reasoning controls 可以改善工作流表現，但 OpenAI 同 Anthropic 文件都將相關功能描述為 reasoning 或 thinking 機制，而唔係 source-linked claims 嘅替代品 。
5. 高風險內容仍要人手核對。 供應商文件描述引用功能同展示行為，但唔獨立保證每個 cited claim 都正確。重要輸出仍然要對返原始來源材料。

底線：今次係細緻比較，唔係排行榜

已審閱文件支持嘅，是一個有分寸嘅比較，而唔係 leaderboard。OpenAI 喺用戶可見網頁引用要求方面有較強文件證據，因為 Deep Research 明確要求：向用戶展示來自網頁嘅資料時，行內引用要清楚可見而且可以點擊 。Anthropic 喺文件為本嘅 Claude citations 方面有較強文件證據，因為其文件講明提供文件並啟用 citations 後可作引用，並透過句子切分同 custom content 控制引用粒度 。

Claude Opus 4.7 有文件記載為 Anthropic 最有能力、可普遍使用、適合複雜任務嘅模型；但今次範圍內 OpenAI 嘅模型專門來源係 GPT-5.4，唔係 GPT-5.5 Spud 。如果目標係可審核嘅 AI 研究，先比較來源留存、引用粒度同驗證流程，再比較模型名，會實際得多。

對採購團隊、開發者同研究人員嚟講，呢個窄結論反而更實用。因為「可追溯」唔係一個模型名就可以保證，而係成個工作流程能否做到：一個重要 claim 出現時，審閱者可唔可以一路追到 URL、文件、檢索片段、上載檔案，或者其他可檢查嘅材料。

來源追溯應該分清三樣嘢

好多 AI 研究產品會將幾件事混埋一齊講。實際審核時，最好分開睇：

• 引用 citations： 答案入面可見、指向來源嘅標記。
• 來源留存 source capture： 系統有冇保存生成答案時用過嘅網頁、文件、檔案、chunk 或檢索結果。
• 推理痕跡 reasoning artifacts： 例如 thinking summary、scratchpad 式內容、內部推理控制。呢啲可能幫到設計工作流，但唔等於證明某個事實 claim 來自邊份材料。

引用係最易見到嘅一層，但單靠引用唔夠。更強嘅測試係：審閱者能否由一句說法，去到對應嘅證據位置，再親自核對。

OpenAI：網頁引用展示要求最清楚

喺今次來源入面，OpenAI 最清楚嘅 provenance 要求出現喺 Deep Research 文件：當向最終用戶展示網頁結果，或者展示來自網頁結果嘅資料時，行內引用應該清楚可見，而且可以點擊 。

呢點重要，因為如果連結只係收埋喺 metadata，或者同支持嘅說法分開，來源追溯力就會弱好多。OpenAI 另外亦提供 citation formatting 指引，講點樣準備可引用材料，同點樣指示模型有效格式化引用 。OpenAI Deep Research API 範例亦指，回應包括結構化最終答案、行內引用、推理步驟摘要同來源資訊 。OpenAI Help Center 亦表示，Deep Research 輸出包括引用或來源連結，讓用戶可以驗證資料 。

可以講嘅有限但重要：就網頁研究工作流而言，OpenAI 文件對引用展示講得相對明確。不過，呢啲文件唔等於證明每一條引用都準確，亦唔能夠建立任何關於 GPT-5.5 Spud 嘅模型專屬結論。

Anthropic：文件為本引用機制最清楚

Anthropic 呢邊，今次最強嘅文件證據集中喺兩方面：Claude Opus 4.7 嘅定位，以及 Claude 引用文件嘅機制。Anthropic 將 Claude Opus 4.7 描述為最新一代 Claude 模型之一，並建議複雜任務可考慮由 Claude Opus 4.7 開始，稱它是公司最有能力、可普遍使用嘅模型 。

至於來源追溯，關鍵係 Anthropic 嘅 citations 文件。文件表示，當 Claude 回答有關文件嘅問題時，可以提供詳細引用，幫助用戶追蹤同驗證回應中嘅資訊來源；前提係要提供文件並啟用 citations 。文件亦講到引用粒度：純文字同 PDF 文件預設會自動按句子切分；如果開發者需要更細控制，可以使用 custom content documents 。

Anthropic PDF support 文件亦有一個同 provenance 有關嘅細節：Converse API 嘅視覺 PDF 分析要求啟用 citations 。另外，Anthropic Files API 讓開發者上載同管理 Claude API 使用嘅檔案，毋須每次請求都重新上載同一內容 。檔案管理本身唔證明引用一定準確，但如果配合已保存來源同 claim-level citations，就可以支援更強嘅審核軌跡。

Scratchpad 同 thinking block 唔等於證據來源

評估「研究來源追溯」時，最大陷阱之一係將模型嘅推理痕跡當成證據。兩者唔係同一回事。

OpenAI 嘅 reasoning best practices 文件表示，reasoning models 係內部進行推理，並建議開發者唔好要求模型 step by step 思考或解釋 chain of thought 。OpenAI reasoning models 指南則聚焦 reasoning effort、reasoning tokens、跨輪保留 reasoning state 等控制 。

Anthropic 對 thinking 機制有更多術語。其 prompt caching 文件表示，使用 extended thinking 配合 prompt caching 時，thinking blocks 有特殊行為 。extended thinking 文件亦區分 Claude 4 及之後模型嘅 full thinking tokens 同 summarized output 。Anthropic release notes 提到一個 display field，可在回應中省略 thinking content；Claude Code 文件亦表示，在 skill 內容加入 ultrathink 可為該 skill 啟用 extended thinking 。

呢啲功能可以幫開發者調校複雜工作流，但 scratchpad、隱藏 chain of thought，或者推理摘要，都唔能夠證明某句 factual claim 來自某個 URL、文件或檔案。實務上，應將 reasoning artifacts 視為輔助背景，而唔係來源審核軌跡。

審核 AI 研究工作流：一張實用 checklist

與其單靠模型名落注，不如問成個流程經唔經得起覆核。

1. 有冇可見嘅 claim-level citations。 對網頁來源資料，OpenAI Deep Research 文件要求向用戶展示時有清楚可見、可點擊嘅行內引用 。對 Claude 文件流程，Anthropic 文件記載在提供文件並啟用 citations 時可作引用 。
2. 有冇可檢查嘅來源材料。 唔好只保存最終答案；要保留答案背後用過嘅材料。OpenAI Deep Research API 範例提到 source information，Anthropic Files API 則支援 Claude API 工作流重用已上載檔案 。
3. 引用粒度夠唔夠細。 有用嘅引用應該指向相關證據，而唔係一大包模糊來源。Anthropic 文件記載純文字同 PDF 預設按句子切分，亦可用 custom content documents 作更細控制 。OpenAI 亦另有準備可引用材料同提示模型格式化引用嘅指引 。
4. 推理同證據要分開。 Reasoning controls 可以改善工作流表現，但 OpenAI 同 Anthropic 文件都將相關功能描述為 reasoning 或 thinking 機制，而唔係 source-linked claims 嘅替代品 。
5. 高風險內容仍要人手核對。 供應商文件描述引用功能同展示行為，但唔獨立保證每個 cited claim 都正確。重要輸出仍然要對返原始來源材料。

底線：今次係細緻比較，唔係排行榜

已審閱文件支持嘅，是一個有分寸嘅比較，而唔係 leaderboard。OpenAI 喺用戶可見網頁引用要求方面有較強文件證據，因為 Deep Research 明確要求：向用戶展示來自網頁嘅資料時，行內引用要清楚可見而且可以點擊 。Anthropic 喺文件為本嘅 Claude citations 方面有較強文件證據，因為其文件講明提供文件並啟用 citations 後可作引用，並透過句子切分同 custom content 控制引用粒度 。

Claude Opus 4.7 有文件記載為 Anthropic 最有能力、可普遍使用、適合複雜任務嘅模型；但今次範圍內 OpenAI 嘅模型專門來源係 GPT-5.4，唔係 GPT-5.5 Spud 。如果目標係可審核嘅 AI 研究，先比較來源留存、引用粒度同驗證流程，再比較模型名，會實際得多。