LECTOR：科学推理图与引言生成的联合优化

arXiv 2026 64.8 method

TLDR

LECTOR联合优化科学推理图与引言生成，提升逻辑忠实度和引用质量。

评分理由

The paper introduces a novel task and framework for generating introductions grounded in evidence, with strong empirical results on a real dataset. However, it focuses narrowly on introduction writing rather than full paper generation or broader scientific discovery.

Read-first 评分解释

综合优先阅读分 64.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 51。

近期性 8%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：有；数据：无；命中信号：代码、数据集、GitHub

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：数据集、实验、指标

主题相关性 42%

42.5

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：AI scientist、automated scientific discovery、autonomous research agent、automated research、literature review agent、survey generation、automated experimentation、experiment design agent、AI for scientific research、paper writing agent、research automation、scientific discovery agent

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：107。

关键词评分

paper writing agent

AI for scientific research

AI scientist

research automation

automated scientific discovery

automated research

autonomous research agent

scientific discovery agent

literature review agent

survey generation

automated experimentation

experiment design agent

深度分析

创新点

提出内容条件引言生成（CCIG）任务，要求基于核心证据进行生成
从论文主体构建逻辑推理图，作为可验证的逻辑蓝图
提出逻辑-表达协同强化学习框架，通过协同奖励机制联合优化图结构忠实度与叙述质量

方法

LECTOR首先从论文主体构建逻辑推理图作为逻辑蓝图，然后在强化学习框架中采用逻辑-表达协同奖励机制，联合优化图的结构忠实度与生成引言的质量。该方法在从Nature Communications论文构建的数据集上进行评估。

关键结果

LECTOR在逻辑忠实度和生成质量上取得一致提升，图质量提升26.7%，引用质量提升8.6%，论文一致性提升3.3%。

资源

论文代码