一项新发布的学术研究指出，在利用大语言模型生成博物馆文物描述时，单纯增加元数据字段数量并不能提升描述的准确性与事实锚定能力。该论文题为《When More Metadata Misleads: Probing Field-Level Grounding in LLM-Generated Museum Descriptions》，于2026年10月24日提交至arXiv预印本平台（编号arXiv:2610.31193v1）。
研究采用两阶段方法：第一阶段分析大型博物馆馆藏中自然存在的元数据变异，涵盖字段数量、字段类型、图像是否可用及‘产地（Place）’等变量的共变关系；第二阶段则在固定文物身份前提下，系统性调控元数据数量、字段类型与图像访问权限，实施受控探针实验。结果表明，元数据数量本身无法解释模型生成行为的差异。
真正起决定性作用的是元数据的字段类型——它直接影响模型是准确依据字段内容生成描述（ground）、完全忽略该信息（omit），还是自行推断未提供内容（infer）；而图像虽有助于视觉锚定，但也可能诱发缺乏依据的解释。研究由此呼吁，对元数据条件化数据到文本系统的评估，须转向字段级与具体主张级的支持验证，而非仅依赖整体输入覆盖度或与参考文本的表面相似性。