Meow：面向自动学术综述的端到端大纲写作

arXiv 2025 50.2 method, application

TLDR

Meow是一个元数据驱动的端到端大纲写作框架，用于自动学术综述生成，采用整理的数据集和两阶段训练。

评分理由

The paper introduces a novel end-to-end approach to outline writing, addressing limitations of template-based methods with a metadata-driven framework, curated dataset, and reinforcement learning. Strengths include clear problem formulation and systematic evaluation, but the scope is limited to outline writing rather than full survey generation, and real-world validation is based on dataset curation rather than deployed experiments.

Read-first 评分解释

综合优先阅读分 50.2，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 46。

近期性 8%

86.7

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：2025

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、评估、指标

主题相关性 42%

38.3

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

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：无；数据：无；命中信号：数据集

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：27。

关键词评分

survey generation

paper writing agent

literature review agent

automated research

research automation

AI for scientific research

automated scientific discovery

AI scientist

scientific discovery agent

autonomous research agent

automated experimentation

experiment design agent

深度分析

创新点

首个用于自动综述生成的元数据驱动大纲写作框架
将大纲写作形式化为从论文元数据生成层次化结构大纲的端到端任务
从arXiv、bioRxiv和medRxiv整理高质量数据集
建立系统性的评估指标用于大纲质量评估
结合监督微调和强化学习的两阶段训练方法

方法

Meow将大纲写作形式化为一个端到端任务，从论文元数据生成层次化结构大纲。从arXiv、bioRxiv和medRxiv整理数据集，并建立系统性评估指标。使用两阶段方法训练8B reasoning model：监督微调后接强化学习。

关键结果

8B reasoning model实现了强性能，具有高结构保真度和风格一致性。

资源

论文