PaperOrchestra 是什麼?從實驗紀錄到 LaTeX 論文初稿

部落格EasyLaTeX發布日期

PaperOrchestra 是 Google Cloud AI Research 研究人員提出的開源多代理論文寫作框架。它以研究構想、實驗紀錄和 LaTeX 範本為輸入,分工完成大綱、文獻檢索、章節撰寫與修改,也能選擇產生圖表。它適合已有研究資料、需要整理初稿的研究者。產出的論述、數據和引用仍須逐項核對,才能進入投稿準備階段。

論文於 2026 年 4 月 6 日提交至 arXiv,近期討論不代表它是 11 月新發布的專案。官方儲存庫也註明,這不是 Google 正式支援的產品。以下檔名及參數已於 2026 年 11 月 18 日對照官方原始碼。

各代理負責什麼?

階段框架工作作者核對事項
大綱將資料整理為章節計畫每項貢獻是否有證據
文獻綜述搜尋文獻,透過 Semantic Scholar 核對紀錄原文是否支持目前論述
章節撰寫根據資料、大綱和範本產生 LaTeX方法、符號和數字是否忠於紀錄
內容修改根據模擬審查意見修訂是否新增錯誤或誇大結論
選用繪圖產生繪圖程式碼或概念圖數據、座標、單位和方法是否正確

流程示意。「作者核對」是本文建議增加的步驟;繪圖會與寫作配合,本圖並非完整的內部執行時序。

PaperWritingBench 的資料來自 200 篇 CVPR 2025 與 ICLR 2025 論文的反向整理,可用於比較寫作系統。實際研究筆記可能不完整,因此評測不能預測自己的初稿品質,也不代表論文接受率。專案頁面也指出,系統與人工原稿仍有品質差距。

準備可追溯證據的資料包

CLI 預設讀取 idea_sparse.md 和 experimental_log.md。關閉繪圖時,程式會複製 figures/,並將 figures/info.json 路徑交給章節寫作代理。請準備實際圖片和符合所用版本的說明中繼資料;空資料夾不足以證明流程能執行。

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

這是目錄規劃,並非完整可執行專案。自訂範本需要 template.tex、guidelines.md,以及相依的文件類別、樣式與參考文獻檔案。把頁數、匿名、圖表和引用規定寫入 guidelines.md。儲存庫的 CVPR 2025 範例不代表其他會議或年份的要求。

在 idea_sparse.md 寫清研究問題與限制

以下英文範本可供填寫,便於銜接英文論文與儲存庫範例。

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.

每項貢獻都要有證據編號。「方法 B 提高準確率」需對應 E1 等實驗;「能推廣至其他資料集」則需要那些資料集上的驗證。未驗證的構想應與已完成貢獻分開。

在 experimental_log.md 保留測量條件

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.

以上為教學數據。準確率由 82.1% 變成 83.4%,增加 1.3 個百分點;相對提升約為 (83.4 - 82.1) / 82.1 × 100% = 1.58%。兩者不能混用。各方法只有一次執行,也不足以宣稱具有統計顯著性。

數值核對示意,使用虛構教學資料,不代表 PaperOrchestra 或其他模型的效能。

實際紀錄還應包含資料集版本、劃分、隨機種子、超參數、程式碼提交與原始結果路徑。圖說須標示測量對象、單位和重複次數,並區分概念圖與實測結果。

執行框架前需要什麼?

官方 README 使用 Python 3.11 與 requirements.txt,並要求依服務設定模型與 Semantic Scholar API 憑證。PDF 產生還需要可用的 TeX 工具鏈與範本資源,安裝 Python 套件不代表編譯環境已齊全。模型呼叫可能產生費用。

在儲存庫根目錄,完成相依套件、憑證、資料和範本準備後,CLI 呼叫形式如下:

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

此例關閉自動繪圖,使用自行準備的圖片。開啟 --use_plotting true 時,還需核對繪圖與圖像模型設定。每輪使用新的輸出目錄,因為目前程式會重建部分中間目錄,混用不同輪次也不利追蹤修改。

命令與檔名已對照原始碼;本文未執行完整模型流程,亦未測量耗時、費用或產出品質。這是資料準備與工作流程指南,並非已驗證的安裝教學。

按證據核對初稿

  1. 逐一比對表格與正文數值,注意百分比、百分點、平均值與不確定性。
  2. 核對訓練設定、基準方法與資料劃分。只出現在產出文字中的實驗應移除或標記待查。
  3. 閱讀引用原文。API 有紀錄不等於支持目前論述,參考文獻核查流程。
  4. 檢查編譯錯誤、未解析的引用與交叉參照、遺失圖片,再查看 PDF 公式、圖說與版面。
  5. 依目標刊會檢查匿名、篇幅、AI 使用聲明與作者確認,補齊證據後再做投稿前預審。

不安裝框架,也能沿用資料整理方式

已有 LaTeX 專案的作者,可以先填好兩份資料,再限制 AI 只起草一部分章節:

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: ...] 是工作標記,投稿前須全部核實並清除。提示詞提出要求,作者仍須檢查輸出是否遵守。

在 EasyLaTeX 繼續編輯時,把所需 .tex、.bib、樣式與圖片整理到專案,選擇真正的主檔案及範本要求的編譯器。編譯後查看 Bug / Original Log,核對 PDF,下載 PDF 與 LaTeX 原始專案留存。操作見從專案到 PDF 的入門指南。這是檔案交接方式,不代表 EasyLaTeX 已整合 PaperOrchestra 或能接續其代理流程。

資料來源