PaperOrchestra란? 실험 기록에서 LaTeX 논문 초안까지

블로그EasyLaTeX게시일

PaperOrchestra는 Google Cloud AI Research 연구진의 오픈 소스 다중 에이전트 논문 작성 프레임워크입니다. 연구 아이디어, 실험 기록, LaTeX 템플릿을 받아 개요 작성, 문헌 조사, 본문 작성과 수정을 나누어 수행하며, 그림 생성도 선택할 수 있습니다. 연구 자료를 갖추고 편집 가능한 초안을 만들려는 연구자에게 유용한 접근입니다. 투고를 준비하기 전에는 생성된 주장, 수치, 인용을 저자가 확인해야 합니다.

논문의 arXiv 최초 제출일은 2026년 4월 6일입니다. 최근의 관심을 11월 신규 출시로 해석해서는 안 됩니다. 공식 저장소도 Google이 공식 지원하는 제품이 아니라고 명시합니다. 아래 파일 요건과 인수는 2026년 11월 18일 공식 소스와 대조했습니다.

각 에이전트가 맡는 일

단계프레임워크 작업저자의 확인 사항
개요자료를 장별 계획으로 구성각 기여를 뒷받침하는 근거가 있는가
문헌 조사문헌 검색 및 Semantic Scholar 기록 확인인용한 문헌이 해당 주장을 지지하는가
본문 작성자료와 템플릿을 바탕으로 LaTeX 작성방법, 기호, 수치가 기록과 일치하는가
수정모의 심사 의견을 바탕으로 초안 수정오류나 과장된 결론이 추가되지 않았는가
선택적 시각화그래프 코드나 개념도 생성데이터, 축, 단위, 방법이 올바른가

작업 흐름 개념도입니다. 저자 검토는 이 글에서 권장하는 추가 단계입니다. 시각화는 본문 작성과 연계되며, 그림이 내부 실행 순서 전체를 나타내지는 않습니다.

PaperWritingBench는 CVPR 2025와 ICLR 2025 논문 총 200편에서 역으로 구성한 자료를 사용합니다. 작성 시스템 간 비교에는 도움이 되지만, 실제 연구 노트에는 빠진 내용이 많을 수 있습니다. 평가 결과가 자신의 초안 품질이나 논문 채택 가능성을 예측하지는 않습니다. 프로젝트 페이지도 사람이 작성한 원문과의 품질 차이가 남아 있다고 설명합니다.

근거를 추적할 수 있는 입력 자료 준비

CLI는 기본적으로 idea_sparse.md와 experimental_log.md를 읽습니다. 시각화를 끄면 기존 figures/를 복사하고 본문 작성 에이전트에 figures/info.json 경로를 전달합니다. 실제 그림과 사용 버전에 맞는 설명 메타데이터를 준비하세요. 빈 폴더만으로는 실행 요건을 충족했다고 볼 수 없습니다.

Plain text
raw_materials/  idea_sparse.md  experimental_log.md  figures/    accuracy.pdf    info.jsonmy_template/  template.tex  guidelines.md  ... required class/style/bibliography files

이 구조는 배치 예시이며 완전한 실행 프로젝트가 아닙니다. 사용자 템플릿에는 template.tex, guidelines.md, 필요한 문서 클래스·스타일·참고문헌 파일이 있어야 합니다. 분량, 익명 처리, 그림과 인용 규정을 guidelines.md에 적으세요. 저장소의 CVPR 2025 예제가 다른 학회나 연도의 요건을 대신하지는 않습니다.

idea_sparse.md: 연구 질문과 한계

영문 논문 작성에 활용할 수 있도록 입력 템플릿은 영어로 제공합니다.

Markdown
# Research questionWhich claim are we testing, and against which baseline?​# MethodDescribe the actual algorithm, assumptions and implementation.​# Evidence mapClaim C1 -> experiment E1 -> recorded metrics and figure path.​# LimitsList untested settings, negative results and missing experiments.Do not fill gaps with invented results or references.

각 기여를 근거 ID와 연결하세요. “방법 B가 정확도를 높인다”는 E1 같은 실험이 필요하고, “다른 데이터셋에 일반화된다”는 해당 데이터셋 검증이 필요합니다. 미검증 아이디어와 완료한 성과를 분리하세요.

experimental_log.md: 측정 조건 보존

Markdown
# E1: illustrative data, not research findingsTask: classification on a fixed held-out splitMetric: accuracy (%)Baseline A: 82.1Method B: 83.4Difference: 1.3 percentage pointsRuns: one per method; uncertainty not estimatedInterpretation: descriptive comparison onlyNot supported: statistical significance or broad superiorityFigure: figures/accuracy.pdf (create from the recorded values)For real work also record: dataset version, split IDs, seeds,hyperparameters, code commit and raw result paths.

위 수치는 교육용 예시입니다. 정확도가 82.1%에서 83.4%로 바뀌면 1.3%포인트 증가입니다. 상대 증가율은 (83.4 - 82.1) / 82.1 × 100% = 1.58% 정도이며 두 표현은 다릅니다. 방법별 1회 실행만으로 통계적 유의성을 주장할 수도 없습니다.

가상 교육 데이터를 사용한 수치 검토 개념도입니다. PaperOrchestra나 다른 모델의 성능 측정값이 아닙니다.

실제 기록에는 데이터셋 버전, 분할 ID, 시드, 하이퍼파라미터, 코드 커밋, 원시 결과 경로를 남기세요. 그림 설명에는 측정 대상, 단위와 반복 횟수를 명시하고 개념도와 실측 결과를 구분합니다.

실행 전 필요한 준비

공식 README는 Python 3.11과 requirements.txt를 사용합니다. 사용하는 모델 서비스 및 Semantic Scholar의 API 인증 정보를 설정해야 합니다. PDF 생성에는 작동하는 TeX 도구와 템플릿 리소스도 필요합니다. Python 패키지를 설치했다고 모든 컴파일 의존성이 준비되는 것은 아니며, 모델 호출에는 비용이 발생할 수 있습니다.

의존성, 인증 정보, 연구 자료와 템플릿을 준비한 뒤 저장소 루트에서 호출하는 형식은 다음과 같습니다.

Shell
python paper_writing_cli.py \  --raw_materials_dir ./raw_materials \  --latex_template_dir ./my_template \  --output_dir ./runs/draft-001 \  --idea_filename idea_sparse.md \  --experimental_log_filename experimental_log.md \  --use_plotting false

이 예시는 자동 시각화를 끄고 준비된 그림을 사용합니다. --use_plotting true를 쓰려면 그래프 및 이미지 모델 설정도 확인하세요. 현재 코드는 일부 중간 디렉터리를 다시 만들므로 실행마다 새 출력 경로를 쓰는 편이 수정 내용을 추적하기 좋습니다.

명령과 파일명은 소스와 대조했지만 전체 모델 파이프라인은 실행하지 않았습니다. 소요 시간, 비용, 생성 품질도 측정하지 않았습니다. 이 글은 입력 자료 준비 및 작업 흐름 안내입니다.

초안을 근거와 대조하기

  1. 표의 모든 값과 본문 수치를 기록과 비교하고 백분율, %포인트, 평균 및 불확실성을 구분합니다.
  2. 학습 설정, 기준 방법과 데이터 분할을 확인합니다. 생성 문장에만 등장하는 실험은 삭제하거나 검토 대상으로 표시합니다.
  3. 인용 원문을 읽습니다. API 기록이 존재해도 주장을 뒷받침한다고 보장할 수 없습니다. 참고문헌 검증 절차를 참고하세요.
  4. 컴파일 오류, 미해결 인용 및 상호 참조, 누락된 그림을 확인한 뒤 PDF의 수식, 설명과 배치를 검토합니다.
  5. 투고처의 익명성, 분량, AI 사용 공개 규정과 공저자 확인을 완료하고, 근거를 보충한 뒤 투고 전 검토를 진행합니다.

설치 없이 자료 정리 방식 활용하기

기존 LaTeX 프로젝트에서도 두 입력 파일을 정리한 뒤 일부 절만 AI에 초안으로 요청할 수 있습니다. 다음 영어 프롬프트는 작성 범위를 제한하고 빠진 근거를 표시하도록 요청합니다.

Plain text
Draft only the Methods and Results sections from the supplied materials.Map every numerical claim to an experiment ID and source file.Keep the recorded metric, unit, split and number of runs unchanged.Mark missing evidence as [AUTHOR CHECK: explain what is missing].Do not invent experiments, citations or statistical significance.Return proposed LaTeX and a list of unresolved questions separately.

[AUTHOR CHECK: ...]는 작업용 표시입니다. 투고 전에 모두 확인하고 제거하세요. 출력이 지시를 실제로 지켰는지도 검토해야 합니다.

EasyLaTeX에서 편집을 이어가려면 필요한 .tex, .bib, 스타일 및 이미지를 프로젝트에 모으세요. 올바른 주 파일과 템플릿에 맞는 컴파일러를 선택하고, 컴파일 후 Bug / Original Log와 PDF를 확인합니다. PDF와 LaTeX 프로젝트 다운로드 방법은 시작 가이드를 참고하세요. 이 방식은 파일 전달을 뜻하며 PaperOrchestra 통합이나 에이전트 작업 재개를 의미하지 않습니다.

출처